多项研究评估了SAM在医学图像分割中的表现：在组织病理学、CT及MRI数据上，SAM零样本分割对大型连通对象效果较好，但密集实例和结构性目标表现较弱，整体不及U-Net等专用模型。微调可明显提升性能。有研究提出改进SAM解码器或基于点提示的框架，在细胞核实例分割等任务上达到最新水平。

该文综述细胞核实例分割研究进展，发布大规模手工标注数据集NuInsSeg，涵盖31个人鼠器官的665个图像块、逾3万个细胞核，并首次提供模糊区域掩模；同时介绍自监督尺度三元组学习、CIA-Net多级信息聚合、多阶段实例分割与分类、点提示框架、TransNuSeg纯Transformer方法、Masked Image Modeling预训练，以及结合多通道颜色空间与UFL损失、ConvNeXt和SAM等方法，这些方法均在基准上提升了精度。