超声基础模型UltraSam：基于开放分割数据集的多任务泛化研究

　　为解决超声(US)图像分析中标注数据稀缺和领域差异大的难题，研究人员通过整合43个开放数据集(US-43d)构建了28.2万图像量的训练集，开发出基于提示分割范式(prompt-conditioned segmentation)的UltraSam模型。实验证明该模型在分类和实例分割任务中超越现有SAM变体及自监督模型，为碎片化医学数据的价值挖掘提供了新范式。

　　

超声(US)成像领域长期面临两大"拦路虎"：人体解剖结构的复杂多变与标注数据的严重匮乏。尽管大规模预训练在其他视觉领域大放异彩，但超声图像特有的模态偏移(modality shift)和临床场景差异(如胸部/卵巢/内窥镜成像)使其难以直接套用现有方案。

科研团队另辟蹊径，将目光投向散落各处的公开分割数据集。通过精心整合43个开放资源(US-43d)，构建起包含28.2万张图像、覆盖58种解剖结构的超级"营养基"。在这个基础上培育出的UltraSam模型，采用提示驱动分割(prompt-conditioned segmentation)的创新架构，巧妙规避了传统方法对统一标注的依赖。

这个"医学视觉通才"在三大测试集中展现出惊人潜力：在提示分割任务中碾压SAM系列模型，在创新设计的提示分类(prompted classification)任务上更是把自监督预训练模型远远甩在身后。其秘诀在于将物体特异性提示(object-specific prompts)与图像特征进行联合解码，就像给AI装配了"临床思维导航仪"。

这项研究为碎片化医学数据的价值挖掘提供了完美范本。团队已开源所有代码和预训练模型，并呼吁学界持续贡献高质量数据集——毕竟，当28万张超声图像都能"众筹"成功时，医学AI的奇点时刻或许真的不再遥远。