2026世界杯赛程104场比赛 首尔国立大学的这项新时刻让病理分析效用提高百倍

这项由首尔国立大学与OGQ公司、LG CNS结伙开展的接头，以预印本样式于2026年5月28日发布在arXiv平台，编号为arXiv:2605.29429。接头建议了一种名为"Chain-of-Prompts（CoP，教唆链）"的全新框架，挑升管束医学图像中细胞自动识别与分割这一历久困扰接头者的繁重。

**一场莫得至极的"点名"游戏**

病理大夫每天面对的显微镜图像，经常密密匝匝地排布着数百甚而数千个细胞。要让策划机准确识别并勾画出每一个细胞的详尽，传统作念法就像班主任在一张大合影前挨个点名——对着相片里的每一张脸逐个阐明，"这是小明，这是小红，这是小刚……"当一张图里有几百张脸时，这份职责量之大不言而喻。

可是医学图像分析的现实需求碰巧如斯。策划病理学（当年地说，等于用策划机代替东谈主眼来分析病理切片）是当代医学会诊中越来越伏击的器具，而其中最基础的措施之一，等于"细胞实例分割"——不仅要找到图像里有哪些细胞，还要精确勾画出每个细胞的鸿沟，就像用马克笔把相片里每个东谈主的详尽都描出来，并且每个东谈主的线条弗成互相重复混浊。

现存的策划机视觉模子在处理这个问题时濒临一个根人道逆境。那些挑升为细胞分析测验的模子，实质上是靠"死记硬背"来职责的：接头者花无数时刻标注特定类型的细胞，模子就把这些细胞的长相记着，以后看到雷同的就认出来。这套措施在测验时见过的细胞上弘扬可以，但一朝碰到没见过的细胞类型，性能就会急剧下滑。就像一个只见过中国东谈主脸的东谈主，一会儿被送到北欧，认东谈主的准确率就会大打扣头。

在原论文给出的具体数字中，这种"认生"进程令东谈主印象深入。以著述中演示的一张含有未见过细胞类型的病理图像为例，某个无监督测验的措施获取的AJI（一种揣测分割准确度的有筹商，数值越高越好，满分为1）独一0.133，某个经过齐备监督测验的措施也只达到0.228。AJI这个数值可以富厚为"策划机勾画的细胞详尽与真实详尽的重合进程"——分数越低，讲解策划秘要么漏掉了好多细胞，要么把鸿沟画得前合后仰。

连年来，以SAM（Segment Anything Model，"分割任何东西"模子）为代表的通用交互式分割模子提供了另一种想路。这类模子不需要挑升学习某种细胞，只需要用户用鼠标点一下方针，它就能自动勾画出详尽。表面上这管束了"认生"问题，因为无论什么类型的细胞，只消点一下，模子就能处理。可是问题也随之而来：一张有245个细胞的图像，就需要点击245次。把这个乘以临床扩充中每天要处理的无数病理切片，这个决议的可操作性险些为零。

恰是在这个布景下，首尔国立大学的接头团队建议了一个精炼而奥妙的问题：有莫得可能只点击一次，就让策划机自动找到图像里通盘同类细胞？

**冰山下的隐秘：AI眼中的细胞宇宙早已比物连类**

这个想法建造的要道，在于接头团队发现了SAM图像编码器（可以富厚为模子"看图"的那只眼睛）的一个此前未被充分哄骗的特色。

SAM的职责过程可以用一个浮浅的比喻来富厚。假定你是一位西席丰富的鉴宝师，当一件文物被端到你眼前时，你起先会用眼睛扫一遍整件物品，在脑子里酿成一个全面的印象——这是瓷器如故青铜器，是哪个朝代的作风，各个部位有什么特征。这个"扫描建模"的过程，对应的等于SAM的图像编码器。之后，当客户指着某个具体部位问"这里有莫得裂纹"，你才起点针对性地恢复，这对应的是SAM接选取户点击后进行的解码过程。

接头团队郑重到，SAM的图像编码器在"扫描建模"这一步，照旧在里面偷偷完成了一件了不得的事：它把磨灭类型的细胞，在其里面的特征空间里聚在了一齐。特征空间可以富厚为一个多维的"坐标系"，不同的细胞在这个坐标系里各占一个位置，而同类细胞会当然地麇集在相邻的区域。

接头团队用UMAP（一种把高维数据可视化的时刻）把这种麇集表象展示了出来。在SAM编码器的低分辨率特征图中，三种不同类型的细胞（分别有16个、72个和157个样本）在图上酿成了三个爱憎分明的麇集区域，不同类型之间险些莫得混浊。这个特色整个是自觉产生的，不需要任何挑升针对细胞的测验，也不需要提前告诉模子"这里有几种细胞"。SAM的编码器只是在作念它原来的职责——尽可能全面地富厚图像中的每一个细节——却意外间完成了细胞分类这件事。

这个发现是通盘接头的基石。淌若同类细胞在特征空间里是聚在一齐的，那么表面上，只消找到一个细胞的特征，就能通过策划"相似度"找到通盘与它相似的细胞。这就像在一个生疏城市里找同乡：只消你知谈老乡的口音、风俗、衣服，就能在东谈主群中渐渐辩别出其他说一样方言的东谈主，而不需要每一个东谈主都先自我先容。

**两个维度的"侦察聚集"**

可是，把这个表面想法滚动为现实可用的系统，并不像提及来那么浮浅。接头团队碰到了两个细致衔接的时刻繁重，而他们设想的管束决议——恰是CoP框架的中枢。

SAM的图像编码器会产生两种分辨率的特征图。高分辨率特征图就像一张放大了四倍的舆图，能判辨地看到每一条街谈和每一栋建筑，但关于"这个街区属于哪个城区"这么的问题恢复得不太准确。低分辨率特征图则像磨蹭了十六倍的全局舆图，能判辨地差别各个城区的鸿沟，但具体到每条街谈就暧昧了。

用在细胞识别上，高分辨率特征图能精详情位每一个细胞的具体位置，即使细胞挨得很紧也能分辨，但它会把布景组织中庸细胞外不雅有几分相似的区域也瑰丽出来，产生无数"误报"。低分辨率特征图能准确地只反应方针类型的细胞，把它们和其他类型的细胞区分开，但分辨率太低，相邻的细胞经常会被混在一齐，鸿沟暧昧。

这两个特征图就像两个各有专长的侦察：一个意见极好，能发现细小萍踪，但或然候会把无辜路东谈主当嫌疑东谈主；另一个判断力强，能准确锁定真是的方针，但对具体地点的刻画老是不太精确。

接头团队建议的**层级相似度门控（HSG）**机制，实质上等于让这两个侦察"结伙办案"。具体作念法是：先分别策划用户点击位置在高分辨率特征图和低分辨率特征图中的相似度散布，然后把两张相似度图作念逐元素相乘。这个操作的效果很是于用低分辨率图的准确判断力来"过滤"高分辨率图中的误报——独一同期被两张图都认同的位置，才调通过这个"双重审核"。

过滤之后，还需要详情哪些像素点是细胞的中心位置，而不单是是细胞的某个边缘部分。接头团队继承了连通因素瑰丽（CCL）的措施——可以富厚为把过滤后舆图上连成片的"高亮区域"各自圈出来，然后找到每个区域的重点。这些重点点就组成了一批"真是点聚集"，每一个真是点都对应着一个很可能是同类细胞的位置。

实验数据标明，这套双重过滤机制的精确度很是高，在通盘迭代过程中永远保抓在96%以上——也等于说，100个被瑰丽出来的点里，至少有96个如实是方针细胞。

**从"点"到"面"的奋发于赛**

HSG管束了"若何高精度地找到同类细胞"的问题，但只靠运转点击周围的相似度策划，经常只可遁藏图像的一小片区域。距离运转点击位置较远的细胞，由于图像中局部组织环境差异，特征相似度会当然衰减，单次查找可能遗漏。

为了管束遁藏范围不及的问题，接头团队设想了**最远点递归（FPR）**机制。这套机制的逻辑相配直观化：每次HSG产生了一批真是点之后，不是停驻来，而是从这批真是点里挑选一个"距离通盘照旧用过的教唆点最远"的点，把它行为新的起点，重新运行HSG，发现更多之前没找到的细胞，再把新发现的细胞合并进真是点聚集里……如斯轮回，直到某一轮运行之后莫得发现任何新的细胞为止。

这个计谋可以用"探险队开路"来富厚。一支探险队从某个已知的据点起程，先把隔壁区域都探查判辨，纪录下通盘真是的补给点。然后，他们从这些补给点里聘请距离最远的那一个行为下一个起程地，不息向未知限制鼓吹。每次都选最远的地方起程，保证了不会在磨灭派区域反复兜圈子，而是尽可能地向整张舆图的各个边缘延长。

值得郑重的是，在聘请下一个起点时，距离的策划是在图像的物理坐标上进行的，而不是在抽象的特征空间里。这个细节很要道，因为在特征空间里的"距离"可能会跟着迭代而产生漂移，导致探索场地出现偏差；而物理坐标上的距离则永远对应着图像上真实的空间位置，保证每次递归都在探索真是意旨上"还没去过的地方"。

当递归远离后，2026世界杯赛程104场比赛通盘轮次积蓄下来的真是点聚集，就会被送入SAM的解码器，为每一个真是点生成对应的细胞分割掩码。淌若某些相邻细胞对应的掩码有重复，则通过IoU大于0.5的非极大值扼制往复重，最终获取一套干净的细胞实例分割死心。

通盘CoP框架就这么组成了一个齐备的闭环：一次点击触发HSG，HSG产生真是点集，FPR从真是点集里选出最远点再次触发HSG，如斯轮回直至全图遁藏，终末长入解码输出。

**数字背后的故事：97%的点击省下来了**

接头团队在七个圭臬测试数据集上对CoP进行了全面评估，死心从多个角度印证了这套措施的实用价值。

在三个带有细胞类型标注的数据集上，CoP展现出了最中枢的才略。CoNIC数据集包含六种不同类型的细胞，CoNSeP包含四种，GlaS则是一个结肠腺体分割数据集。在这些数据集上，与最先进的基础模子SAM3（2026年ICLR发表）进行对比时，SAM3继承逐实例点击（每个细胞点一次）的形状，CoP只需每种细胞类型点一次。

具体数字方面，在CoNIC数据集上，SAM3逐实例点击的AJI为0.641，而CoP的形状获取了0.579，很是于保留了90%的性能；在CoNSeP上，SAM3得0.411，CoP得0.374，一样在90%以上；在GlaS上，SAM3得0.327，CoP得0.292，比例相似。与此同期，CoP仅需轻便3次点击（每种细胞类型一次），而逐实例形状需要几百次——文中以含有245个细胞的图像为例，从245次裁汰到3次，减少了约97%的标注职责量。

与此同期，CoP的弘扬全面卓绝了那些需要无数标注数据进行齐备测验的监督学习措施。CellViT是现在细胞分割限制最强的监督模子之一，在CoNIC数据集上的AJI独一0.371，权贵低于CoP的0.579。这意味着，仅靠3次点击，莫得任何额外测验，CoP就当先了一个经过悉心测验的挑升模子。

著述中还展示了那些试图用翰墨刻画（比如输入"cell"这个单词）或视觉参考图片来代替点击的措施的弘扬。这些措施要么在某些数据集上整个失效（AJI为0），要么弘扬极为不富厚。这是因为翰墨或图片教唆依赖模子在测验时学到的特定限制对应接头，而不同细胞类型的病理图像差异繁密，这种对应接头经常无法泛化。比较之下，点击教唆平直查询的是图像编码器的底层特征，绕过了限制特定的对王人机制，因此能在各式细胞类型上富厚职责。

在另外四个不含细胞类型标注的数据集（MoNuSeg、TNBC、CryoNuSeg、CPM-17）上，由于每张图里的细胞形态比较单一，CoP只需一次点击即可。死心更为惊东谈主：CoP保留了99%以上的逐实例点击性能。在TNBC数据集上，SAM3逐实例形状获取AJI 0.752，CoP获取0.750，差异险些可以忽略不计。

**每个零件的孝顺：拆解来看才调富厚合座**

接头团队还进行了系统性的消融实验，逐个考证每个设想聘请的必要性。这些实验以CoNIC数据集为主要测试场景。

去掉FPR递归机制，只保留HSG作念一次性查找，AJI从0.579急剧下落到0.203，下落幅度高达65%。这个数字直不雅地讲解，单次查找只可遁藏运转点击隔壁的细胞，而递归膨胀才是结束全图遁藏的要道。

在FPR的选点计谋上，接头团队比较了"选最远点"、"选最近点"和"选中间点"三种决议。最远点计谋获取AJI 0.579，最近点计谋独一0.492，中间点决议得0.515。最近点和中间点的失败原因是交流的：它们倾向于在照旧探索过的区域隔壁打转，无法有用向未遁藏的区域鼓吹。

在HSG的特征交融设想上，单独使用高分辨率特征图（不经过低分辨率图过滤）时，AJI降到0.463，因为无数来自布景组织的误报会在每一轮递归中被当成新的起点传播，精度在第15轮迭代时照旧跌破0.6。单独使用低分辨率特征图时，AJI更低，独一0.351，因为分辨率太低导致教唆点定位不准确，好多点落在细胞鸿沟甚而布景上。两者伙同的决议在通盘迭代过程中把精度看守在0.96以上，同期保抓了与高分辨率图很是的调回率。

运转点击位置的明锐性方面，接头团队用30个不同的立时种子重复了通盘CoNIC实验，获取的AJI均值为0.579，圭臬差仅为0.003。这讲解CoP关于用户具体点击了哪个细胞这个问题很是鲁棒，不需要用户非凡精确地点到某个"最好位置"。

著述也憨厚地指出了这套措施的局限。CoP依赖于SAM本人的分割才略——淌若有某个细胞即使给了准确的点击，SAM也无法正确分割出来，那CoP也一样窝囊为力。此外，CoP的前提假定是同类细胞在特征空间里有相对一致的外不雅，淌若某种细胞类型里面形态变化极大，这个假定可能不建造，系统弘扬就会下落。

**运行速率：15秒内处理完毕**

接头团队还给出了具体的运行时刻数据，这对现实应用来说一样伏击。通盘实验都在一张NVIDIA RTX A6000显卡上进行。关于一张1000×1000像素的输入图像，SAM图像编码轻便需要2秒，这是一次性的固定支出。之后，每次用户点击触发的CoP过程（HSG传播加上FPR迭代直至拘谨）平均耗时约4秒，其中每一次FPR单步迭代轻便170毫秒。关于一张含有三种细胞类型的图像，通盘过程（不含编码时刻）在15秒以内完成。由于CoP整个在特征空间中运算，莫得任何反向传播，所占用的内存支出也很小。

**说到底，这项接头的价值在那边**

归根结底，首尔国立大学这支团队作念的事情，是发现并哄骗了一个一直存在却被薄情的规定：一个将强的视觉模子在"看懂"图像的过程中，照旧顺带完成了细胞分类的职责，只是从来莫得东谈主设想过一套措施来把这份"顺带职责"的效用索求出来加以哄骗。

从现实应用角度看，这项接头意味着病理分析职责的交互资本可以从"标注几百个细胞"裁汰到"为每种细胞类型点一次"。关于临床病理大夫来说，一天可能需要分析无数切片，这种效用提高的意旨很是具体。关于接头者来说，这套措施无需重新测验，可以平直适用于他们碰到的任何新式细胞，不再受限于测验数据。

这也引出一个值得想考的问题：那些将强的通用视觉模子，究竟在它们的特征空间里偷偷编码了几许东谈主类还没充分哄骗的结构化信息？玩忽下一个碎裂，不是来自更大的模子，而是来自对现存模子里面特征的更贤达的使用形状。有趣味深入了解这项职责的读者，可以通过arXiv编号2605.29429查阅齐备论文。

---

Q&A

Q1：Chain-of-Prompts措施需要用户具备什么专科布景才调使用？

A：Chain-of-Prompts对用户的专科条件很低。用户只需要在图像中识别出有哪几种细胞类型，然后对每种类型点击一次，系统就会自动完成后续通盘的细胞识别和详尽勾画职责。点击位置也不需要非凡精确，实验标明用30个不同的立时位置测试，死心的波动极小（圭臬差仅0.003），讲解随性点一下同类细胞中的恣意一个都可以。

Q2：CoP在什么情况下会失效或弘扬变差？

A：CoP有两个主要局限。第一，它依赖底层的SAM模子，淌若某个细胞即使给了精确的点击，SAM本人也无法正确分割出来，那CoP也帮不上忙。第二，CoP假定磨灭类型的细胞在外不雅特征上比较一致，淌若某种细胞类型里面形态差异极大，系统识别同类细胞的才略就会下落。在形态均一的细胞类型上，一次点击就能遁藏99%以上；在形态千般的搀和类型场景中，需要每种类型各点一次，性能保留在90%以上。

Q3：Chain-of-Prompts和平直让AI自动检测通盘细胞有什么区别？

A：平直让AI自动检测（比如用"cell"这个词行为翰墨教唆，或提供参考图片）依赖模子在测验时学到的特定对应接头，碰到测验时没见过的细胞类型经常整个失效，在多个数据集上AJI平直变为0。Chain-of-Prompts则通过用户提供的一次点击绕过了这个问题，平直查询模子的底层特征2026世界杯赛程104场比赛，不依赖任何限制特定的测验，因此对未见过的细胞类型也能富厚职责，这恰是它比较纯自动化措施的中枢上风所在。