本文研究了Segment Anything Model（SAM）在医学图像分割中的零样本泛化能力，发现适当的提示可以显著提升其性能。通过微调和新型提示驱动适配器，SAM在多种医学影像任务中表现优异，且无需大量标记数据，展现出良好的应用前景。

本文研究了Segment Anything Model（SAM）在医学图像分割中的零样本泛化能力，发现适当的提示（如边界框）显著提升了性能。引入了新型微调框架和提示驱动适配器（PA-SAM），优化了分割掩模的质量。此外，提出了个性化方法PerSAM，结合位置先验和多种技术进行目标分割，并构建了新数据集PerSeg，测试结果显示出竞争力。