在计算病理学领域，核实例分割作为一项核心任务，对肿瘤分级、预后预测等下游应用至关重要。近年来，深度学习方法（如卷积神经网络CNN和视觉Transformer ViT）在核实例分割上取得了显著进展，并辅以各种预处理和后处理技术。然而，评估流程本身却鲜少受到关注，导致现有评估指标可能不够准确或一致。
本研究由Amirreza Mahbod等人提出，系统分析了核实例分割评估中的四个关键问题：模糊区域的处理、分数归一化、重叠实例的区分以及边界不确定性的量化。针对这些问题，他们开发了统一框架NucEval，对传统评估流程进行了修正。例如，对于图像中边界模糊的细胞核，NucEval能更合理地分配惩罚或奖励；在分数归一化方面，它调整了置信度阈值，使得不同模型之间的比较更具公平性；对于重叠实例，框架专门设计了处理规则，避免重复计数；而边界不确定性模块则量化了分割边界的可信度。
为了验证NucEval的有效性，研究团队使用了NuInsSeg数据集——该数据集因其丰富的标注细节特别适合此类评估研究——以及另外两个外部数据集。他们测试了三种模型：CNN和ViT架构的实例分割模型。实验结果表明，与传统评估方法相比，NucEval能够提供更稳定、更具区分度的指标，从而更准确地反映模型真实性能。该论文于2026年5月4日提交至arXiv，共计22页，属于计算机视觉与模式识别领域。
NucEval框架现已开源，包含了完整的使用指南和示例。研究人员可以在GitHub上获取代码，以将其应用于自己的评估任务。这项工作的意义在于，它强调了评估标准本身也需要不断改进，以确保在临床应用中为算法提供可靠的性能衡量。