類器官是複雜的、三維的、自組織的細胞培養物，能夠表現出器官樣特徵，為研究人類疾病和開發治療方案提供了強大的平台。類器官的發育具有動態的形態和細胞組織變化，模擬了器官發育的某些方面。為了研究類器官發育過程中的這些快速變化，先進的成像和分析工具對於準確監測類器官生長軌跡和探究疾病過程至關重要。
在這項研究中，研究人員聚焦於計算機視覺和機器學習技術，以自動測量源自多能幹細胞（iPSC）的發育中球體的尺寸和形狀。iPSC通常是生成類器官培養的起始材料。為了實現這一目標，他們引入了一種複合方法，將通用基礎模型Segment Anything（SAM）與現有的領域專用工具相結合。研究團隊將這種複合方法與幾種現有工具一起進行測試，在類器官圖像數據上評估分割效果，並與手動分割結果進行比較。結果發現，沒有任何一個現有工具能在所有測試條件下以足夠高的準確性分割圖像，但新引入的複合方法在所有圖像中（除了一小部分最具挑戰性的圖像外）都產生了一致且準確的結果。
最後，研究人員將該方法的準確性與獨立標註者之間手動分割的變異性（觀察者間變異性）進行了比較。結果顯示，該方法的表現在一項指標上達到了觀察者間變異性的水平，在其他指標上也與之非常接近。這表明該自動化方法已經接近人類水平的分割質量，有望大幅提升類器官研究的效率和可重複性。
該研究由Chase Cartwright、Gongbo Guo、Sai Teja Pusuluri、Christopher N. Mayhew、Mark Hester和Horacio E. Castillo共同完成，論文發表於arXiv（arXiv:2605.03053）。研究團隊計劃進一步優化該方法，以處理更具挑戰性的圖像，並探索其在其他生物醫學圖像分析任務中的應用。