정밀 의학, 예를 들어 의료 영상 분석을 활용한 환자 맞춤형 치료는 환자 간의 큰 변동성과 각 환자에 대한 주석 데이터의 제한된 접근성으로 인해 새로운 환자에 적응하는 세그멘테이션 알고리즘에 새로운 도전을 제시합니다. 본 연구에서는 데이터 효율적인 세그멘테이션 알고리즘인 파트 인식 프롬프트 세그멘테이션 임의 모델($P^2SAM$)을 제안합니다. 어떠한 모델 미세 조정 없이도 $P^2SAM$은 단일 샷(one-shot) 환자 특화 데이터만으로도 모든 새로운 환자에게 원활하게 적응할 수 있습니다. 우리는 단일 샷 데이터의 부분 수준 특성을 기반으로 다중 포인트 프롬프트를 선택하는 새로운 파트 인식 프롬프트 메커니즘을 소개합니다. 이 메커니즘은 SAM 및 SAM 2와 같은 다양한 프롬프터 가능한 세그멘테이션 모델에 광범위하게 통합될 수 있습니다. 또한, 각 특정 사례에 대한 최적의 부분 수를 결정하기 위해 분포 지도 검색 접근법을 제안하여 파트 인식 프롬프트 메커니즘의 견고성을 더욱 강화하였습니다. $P^2SAM$은 두 가지 다른 환자 맞춤형 세그멘테이션 응용에서 평균 디스(Dice) 점수가 각각 +8.0%와 +2.0% 향상되었습니다. 또한, $P^2SAM$은 자연 이미지 영역에서 다른 적응형 세그멘테이션 작업에서도 뛰어난 일반화 능력을 보여주었으며, 개인화된 객체 세그멘테이션 작업에서 +6.4% mIoU(Intersection over Union) 향상을 이루었습니다. 코드는 다음 링크에서 확인 가능합니다: https://github.com/Zch0414/p2sam