本研究提出了一个名为SAT的模型，可在医疗场景中通过文本提示对任意物体进行分割。研究贡献包括整合多个知识源构建多模态医学知识树，使用大规模分割数据集进行训练，提出通用的分割模型，使用医学术语进行提示，并通过SAT-Nano模型对31个分割数据集进行评估。结果显示与36个专家nnUNets的性能相当。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，使用大规模分割数据集进行训练，并提出通用的分割模型。通过对31个分割数据集的评估，结果显示SAT模型性能与36个专家模型相当。研究将公布代码和模型，并计划在未来提供更多多样化数据集的SAT-Ultra模型。

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。