本文提出了一种新方法，通过优化图像嵌入，改善基础医学分割模型在特定病变上的表现。实验结果显示，该方法在三个数据集上提升了约3%的Dice得分，同时计算复杂度减少了7倍，具有重要的应用潜力。

本研究提出Touchstone基准，旨在解决医学分割领域测试集规模小和指标简单的问题，从而更有效地评估AI算法在真实场景中的表现，推动医学AI的创新。

本研究探讨了医学分割中熵和代表性采样技术的混合模型，使用UMAP技术捕捉代表性。熵-UMAP采样技术在Dice分数上优于随机基线，并在10种主动学习方法中获得最高的Dice系数。初步证据表明，在混合主动学习模型中，熵和UMAP方法之间存在协同作用。

本研究提出了一个名为SAT的模型，可在医疗场景中对任意物体进行分割。通过整合多个知识源构建多模态医学知识树，并使用超过11,000个三维医学图像扫描的大规模分割数据集进行训练。提出了通用的分割模型，使用医学术语进行提示，并提出了知识增强的表示学习框架和有效训练策略。通过对31个不同的分割数据集进行评估，使用SAT-Nano模型得到了362个类别的结果，性能相当于36个专家nnUNets模型。研究将公布代码和模型，并提供SAT-Ultra模型在更多数据集上进行训练。

本研究探讨了医学分割中熵和代表性采样技术的混合模型，使用UMAP技术捕捉代表性。熵-UMAP采样技术在Dice分数上优于随机基线，并在10种不同主动学习方法中获得最高的Dice系数。初步证据表明，在混合主动学习模型中，熵和UMAP方法之间存在协同作用。