对Segment Anything Model（SAM）的研究表明，该模型在图像扰动下性能下降。通过定制提示和领域知识，可以提高其在医学图像分割中的弹性。新方法如SAM-PARSER和BA-SAM显著提升了模型的微调效率和适应性，减少了参数需求，增强了在不同分辨率下的表现，推动了医学图像分割的实际应用。

该研究提出了一种通用解释框架，可用于任何黑盒机器学习算法，并特化于找到对分类器决策最负责的图像部分。该方法基于明确且可解释的图像扰动，是模型无关且可测试的。