在显微镜图像中识别和描绘细胞结构对于理解生命的复杂过程至关重要。这个任务被称为“分割”，它使一系列应用成为可能，例如分析细胞对药物治疗的反应，或比较不同基因型中的细胞结构。已经可以自动化分割这些生物结构，但专用方法仅在特定条件下有效，适应新条件的成本很高。现在一个国际研究团队通过对超过17000张显微镜图像进行重训练，且手动标注了超过200万个结构，开发了一种方法，重训练了现有的基于人工智能的软件Segment Anything。
他们的新模型称为显微镜分割，可以在广泛的环境中精确分割组织、细胞和类似结构的图像。为了使其便于研究人员和医生使用，他们还创建了μSAM，一种用户友好的软件，可以在显微镜图像中“分割任何东西”。他们的工作发表在《Nature Methods》期刊上。
为了适应现有软件到显微镜应用，研究团队首先在大量开源数据集上进行了评估，这表明该模型在显微镜分割中的潜力。为了提高质量，团队在大型显微镜数据集上进行重训练。这显著提高了该模型在细胞、细胞核和称为细胞器的细小结构分割方面的性能。然后，团队创建了他们的软件μSAM，使研究人员和医生能够分析图像，而不需要先手动标注结构或训练特定的人工智能模型。该软件已经在国际上广泛使用，例如在听力恢复项目中分析耳朵中的神经细胞，分割癌症研究中的人工肿瘤细胞，或者分析火山岩的电子显微镜图像。
“分析细胞或其他结构是显微镜研究人员面临的最具挑战性的任务之一，在基础生物研究和医学诊断中都是一项重要任务，”哥廷根大学计算机科学研究所的副教授康斯坦丁·帕佩说。“我的团队专注于构建自动化这些任务的工具，我们经常被研究人员要求提供帮助。在为显微镜分割开发Segment Anything之前，我们不得不要求他们首先手动标注大量结构——这是一项困难且耗时的任务。μSAM改变了这一点！以往需要数周的艰苦手动工作，现在可以在几个小时内自动化，因为该模型可以通过几个点击分割任何生物结构，然后可以进一步优化我们工具来自动化该任务。这使得许多新的应用成为可能，我们已经在从基础细胞生物学到开发癌症治疗建议工具的各种项目中使用了它。”
