Nature Methods
CellSAM: 用于细胞分割的基础模型
小赛推荐：
本文介绍了CellSAM，一种通用的细胞分割模型，能够跨多种成像模态和细胞类型实现高质量分割，具备零样本和少样本学习能力，适用于自动化生物图像分析流程。
文献概述
本文《CellSAM: a foundation model for cell segmentation》发表于《Nature Methods》杂志，回顾并总结了细胞分割领域的研究进展，特别是如何利用深度学习方法应对多样化的细胞图像分析挑战。文章介绍了一种基于Segment Anything Model（SAM）改进的通用模型CellSAM，结合CellFinder进行自动提示生成，实现了跨模态、跨物种的细胞分割能力。
背景知识
细胞分割是细胞成像实验中定量分析与解读的关键步骤。近年来，深度学习在细胞分割领域取得了显著进展，但多数模型为特定领域设计，难以泛化。CellSAM通过改进SAM模型并引入自动提示机制，解决了细胞密度变化、边界模糊等成像挑战，实现自动化、高精度的细胞分割。该研究填补了通用模型在细胞分割中的空白，为后续大规模、多模态生物图像分析提供基础。
研究方法与实验
研究团队构建了一个涵盖多种成像模态（荧光、明场、相位对比、质谱成像）和细胞类型的大型细胞分割数据集，并通过严格的数据划分防止数据泄露。CellSAM基于SAM模型，引入CellFinder作为自动检测模块，通过改进模型颈部实现SAM的微调，以适应细胞图像特征分布。该方法在多个数据集上测试，包括哺乳动物细胞、酵母、细菌等，并通过零样本和少样本设置验证模型泛化能力。
关键结论与观点
研究意义与展望
CellSAM为细胞分割提供通用基础模型，支持自动化标注和分析，降低人工标注成本，加速大规模生物图像处理。未来研究可拓展至3D成像数据，结合时间序列分析和更高精度的提示工程，提升模型在复杂生物环境中的适应性。
结语
CellSAM的提出标志着细胞分割领域通用模型的重大进展，其结合SAM的掩码生成能力和Transformer结构的自动检测能力，实现了跨模态、跨物种的高质量分割。该模型在零样本和少样本设置下均表现出优异性能，为生物图像分析提供可扩展、可集成的解决方案。研究不仅提升了当前细胞分割的精度和泛化能力，也为后续自动化生物图像处理和标注流程提供了基础，具有广泛的应用潜力。
