الطب الدقيق، مثل العلاجات المتكيفة مع المريض بمساعدة تحليل الصور الطبية، يطرح تحديات جديدة لخوارزميات التقسيم في التكيف مع مرضى جدد، بسبب التباين الكبير بين المرضى المختلفين وندرة البيانات المشهرة لكل مريض. في هذا البحث، نقترح خوارزمية تقسيم فعالة من حيث البيانات، وهي نموذج "Part-aware Prompted Segment Anything" ($P^2SAM$P2SAM). بدون أي تعديل نموذجي، يمكن لـ $P^2SAM$P2SAM التكيف السلس مع أي مرضى جدد بالاعتماد فقط على بيانات خاصة بالمريض في حالة واحدة (one-shot). نقدم آلية دفع جديدة تركز على الأجزاء لاختيار نقاط متعددة للدفع بناءً على الخصائص الجزئية للبيانات في حالة واحدة، والتي يمكن دمجها بشكل واسع في نماذج تقسيم مختلفة قابلة للدفع، مثل SAM و SAM 2. بالإضافة إلى ذلك، لتحديد عدد الأجزاء الأمثل لكل حالة محددة، نقترح منهجية استرجاع مرشدة بالتوزيع التي تزيد من صلابة آلية الدفع التي تركز على الأجزاء. يحسن $P^2SAM$P2SAM الأداء بنسبة +8.0٪ و+2.0٪ في المتوسط من مؤشر Dice لتطبيقات التقسيم المتكيفة مع المريض المختلفة. علاوة على ذلك، يظهر $P^2SAM$P2SAM أيضًا قابلية تعميم مثيرة للإعجاب في مهام التقسيم التكيفي الأخرى في مجال الصور الطبيعية، مثل مهمة تقسيم الكائنات الشخصية (+6.4٪ mIoU). الرمز البرمجي متاح على الرابط التالي: https://github.com/Zch0414/p2sam