MedSegX：基于上下文混合适配专家(ConMoAE)的开放世界医学图像分割通用基础模型

来自多机构的研究团队针对医学图像分割中负迁移现象和开放场景适应性不足的问题，开发了基于树状层级数据库MedSegDB的通用分割模型MedSegX。该模型采用上下文混合适配专家(ConMoAE)架构，在39类器官组织的129个公共数据集测试中，ID/OOD场景下零样本和少样本性能均超越现有基础模型。

　　

在医学影像分析领域，视觉基础模型(Vision Foundation Models)展现出成为通用分割解决方案的巨大潜力。然而现有模型简单堆砌医疗数据的预训练方式常引发负迁移(negative transfer)问题，且在开放世界(open-world)尤其是分布外(OOD)场景的适用性缺乏系统验证。

研究团队构建了树状层级结构的公开数据库MedSegDB，整合129个公共医学分割库和5个内部数据集。基于此开发的MedSegX模型创新性地采用模型无关的上下文混合适配专家(Contextual Mixture of Adapter Experts, ConMoAE)架构，通过动态激活不同专家模块应对多样化分割任务。

实验证明，该模型在常规分布(ID)场景下跨模态、跨器官系统的分割性能达到业界领先。更值得注意的是，在OOD和真实临床环境中，无论是零样本(zero-shot)还是数据高效(data-efficient)泛化场景，MedSegX均展现出稳定的优越性能，为医学人工智能的临床落地提供了可靠的基础模型解决方案。