类器官是复杂的、三维的、自组织的细胞培养物，能够表现出器官样特征，为研究人类疾病和开发治疗方案提供了强大的平台。类器官的发育具有动态的形态和细胞组织变化，模拟了器官发育的某些方面。为了研究类器官发育过程中的这些快速变化，先进的成像和分析工具对于准确监测类器官生长轨迹和探究疾病过程至关重要。
在这项研究中，研究人员聚焦于计算机视觉和机器学习技术，以自动测量源自多能干细胞（iPSC）的发育中球体的尺寸和形状。iPSC通常是生成类器官培养的起始材料。为了实现这一目标，他们引入了一种复合方法，将通用基础模型Segment Anything（SAM）与现有的领域专用工具相结合。研究团队将这种复合方法与几种现有工具一起进行测试，在类器官图像数据上评估分割效果，并与手动分割结果进行比较。结果发现，没有任何一个现有工具能在所有测试条件下以足够高的准确性分割图像，但新引入的复合方法在所有图像中（除了一小部分最具挑战性的图像外）都产生了一致且准确的结果。
最后，研究人员将该方法的准确性与独立标注者之间手动分割的变异性（观察者间变异性）进行了比较。结果显示，该方法的表现在一项指标上达到了观察者间变异性的水平，在其他指标上也与之非常接近。这表明该自动化方法已经接近人类水平的分割质量，有望大幅提升类器官研究的效率和可重复性。
该研究由Chase Cartwright、Gongbo Guo、Sai Teja Pusuluri、Christopher N. Mayhew、Mark Hester和Horacio E. Castillo共同完成，论文发表于arXiv（arXiv:2605.03053）。研究团队计划进一步优化该方法，以处理更具挑战性的图像，并探索其在其他生物医学图像分析任务中的应用。