麻省理工学院（MIT）研究人员开发出一种新型人工智能系统MultiverSeg，可显著加速医学影像研究中的图像分割流程。在临床研究中，对医学图像进行区域标注（即分割）是分析疾病进展、评估治疗效果等工作的关键第一步。例如，研究大脑海马体随年龄变化时，需在大量脑部扫描中手动勾画海马体区域。传统方法依赖人工操作，耗时费力，尤其在结构复杂或边界模糊的情况下更为困难。 为解决这一难题，MIT团队推出MultiverSeg系统，研究人员仅需通过点击、涂鸦或画框等方式与图像互动，AI即可快速生成精准分割结果。随着用户标记图像数量增加，所需交互逐步减少，最终可实现完全自动分割，无需人工干预。其核心优势在于模型具备“上下文记忆”能力，能持续利用已分割图像的信息优化后续预测，无需重新训练或依赖预标注数据集。 与现有技术相比，该系统兼具交互式分割的灵活性与自动化模型的高效性。它不依赖机器学习专家或高性能计算资源，用户可直接用于新任务，无需重复构建训练数据。在对比测试中，MultiverSeg在第九张新图像上仅需两次点击，即可生成比专用模型更准确的分割结果。在X光等图像类型中，仅需1-2张图像手动标注，模型即可达到高精度。 该系统还支持用户对AI预测进行迭代修正，显著提升效率。相比团队此前开发的ScribblePrompt工具，MultiverSeg实现90%准确率所需的手动操作减少约三分之一的涂鸦和四分之三的点击。 研究人员表示，该工具有望大幅缩短临床研究周期，降低试验成本，推动新疗法开发，并可应用于放射治疗规划等临床场景。未来团队计划与医疗机构合作验证其实际应用效果，并拓展至三维医学影像分割。该研究获得美国国立卫生研究院、昆腾电脑公司及马萨诸塞州生命科学中心支持。