在計算病理學領域，核例項分割作為一項核心任務，對腫瘤分級、預後預測等下游應用至關重要。近年來，深度學習方法（如卷積神經網路CNN和視覺Transformer ViT）在核例項分割上取得了顯著進展，並輔以各種預處理和後處理技術。然而，評估流程本身卻鮮少受到關注，導致現有評估指標可能不夠準確或一致。
本研究由Amirreza Mahbod等人提出，系統分析了核例項分割評估中的四個關鍵問題：模糊區域的處理、分數歸一化、重疊例項的區分以及邊界不確定性的量化。針對這些問題，他們開發了統一框架NucEval，對傳統評估流程進行了修正。例如，對於影像中邊界模糊的細胞核，NucEval能更合理地分配懲罰或獎勵；在分數歸一化方面，它調整了置信度閾值，使得不同模型之間的比較更具公平性；對於重疊例項，框架專門設計了處理規則，避免重複計數；而邊界不確定性模組則量化了分割邊界的可信度。
為了驗證NucEval的有效性，研究團隊使用了NuInsSeg資料集——該資料集因其豐富的標註細節特別適合此類評估研究——以及另外兩個外部資料集。他們測試了三種模型：CNN和ViT架構的例項分割模型。實驗結果表明，與傳統評估方法相比，NucEval能夠提供更穩定、更具區分度的指標，從而更準確地反映模型真實效能。該論文於2026年5月4日提交至arXiv，共計22頁，屬於計算機視覺與模式識別領域。
NucEval框架現已開源，包含了完整的使用指南和示例。研究人員可以在GitHub上獲取程式碼，以將其應用於自己的評估任務。這項工作的意義在於，它強調了評估標準本身也需要不斷改進，以確保在臨床應用中為演算法提供可靠的效能衡量。