打破肿瘤球分割的万能模型幻想，CMBP研究给出场景化选型指南：CBAM-ResUNet守内，MambaBot-UNet拓外，SegFormer-B0求快

养过细胞的人都知道，肿瘤细胞在培养皿里不喜欢老老实实铺成一层，它们更爱聚集成团，形成三维球体。这种结构比单层培养更接近体内的真实状态，所以药物筛选、毒性测试都爱用它。但有个环节特别磨人，你得把球体的边界画出来。面积变了没有，边缘变毛糙了还是依然圆润，这些指标直接反映药效。可一张96孔板就是96张图，张张都要手动描边，一个实验下来眼睛都快不是自己的了。

自动分割工具因此成了救命稻草。可惜这根稻草并不总是靠得住。同一个算法，在这台显微镜拍的数据上表现完美，换到隔壁实验室的机器上就频频翻车。要么把培养皿底部的划痕当成球体，要么直接漏掉球体外围弥散的细胞群。手动太慢，自动又爱出错，许多实验室就这么卡在了第一步。

近期，Computer Methods and Programs in Biomedicine上线了一项研究，专门回应这个困扰。团队不仅构建了迄今最大的肿瘤球明场图像数据集SpheroHQ，涵盖22683张专家校正图和7种细胞系，还整合外部数据扩成32367张的SpheroMix训练库。但最值得看的不是数据量大，而是他们怎么评估。他们把测试拆成三种场景：同源数据，用的是训练集同款的BxPC-3细胞系；外部标注数据，来自DTS数据集，只标致密核心，外围一概不算；极端陌生数据，来自HTS-Seg，显微镜、细胞、标注团队全换了。

图1. SpheroSeg工作流程概览：从数据集构建、标准化模型训练到分层评估和Web部署的完整路线图。

结果很有意思，没有一个模型能通吃。同源场景里CBAM-ResUNet以交并比0.9478胜出，几乎跟专家标得一样准。但到了DTS外部数据，它掉到0.86左右，而之前表现低调的MambaBot-UNet以0.9351反超，在最难的HTS-Seg上也以0.5867领跑。HRNet在HTS-Seg上只有0.1095，基本相当于乱猜。

图2. 本研究实现的三种自研架构变体：（a）轻量化CBAM-ResUNet，（b）多注意力ResUNet，（c）带双向Mamba瓶颈的MambaBot-UNet。

为什么同个模型换个数据集就差这么多？研究团队做了个巧妙的验证。他们找四位独立标注员，按照SpheroHQ的规则重新标了150张DTS图像。所谓SpheroHQ规则，就是把能看到的所有球体结构包括外围弥散部分都算进去。四位标注员彼此一致性高达0.9399，但他们标的共识结果跟DTS原始标注的交并比只有0.9201。也就是说，模型在DTS上被扣掉的分，有一部分是因为参考答案本身就不一样。两位老师手里拿着不同的评分标准，自然给不出一样的分数。

图3. 三种部署模型（上：CBAM-ResUNet，中：MambaBot-UNet，下：SegFormer-B0）在代表性图像上的分割输出对比，显示标注政策不匹配和边界模糊情况下的预测差异。

Transformer方面，最小的SegFormer-B0预训练后在DTS上达到0.9449，推理只需12.6毫秒一张图。而大一号的SegFormer-B4微调后虽然也有提升，整体还是比不上MambaBot-UNet。参数量不是越大越好，适合比大更重要。

最终团队把CBAM-ResUNet、MambaBot-UNet和SegFormer-B0三个模型集成到SpheroSeg平台，分别服务三种需求：跟训练数据条件一致的实验、陌生数据更多的场景、以及追求速度的批量处理。上传即分割，支持手动校正，形态参数一键导出，端到端190到430毫秒搞定。

肿瘤球分割没有一劳永逸的万能解法，选什么模型完全取决于你的成像条件和标注习惯。下次自动分割结果让你皱眉的时候，先别急着怪算法，看看你的测试场景跟训练数据是不是一路人。（生物谷Bioon.com）

参考文献：

Průšek M, Novozámský A, Škubník J, Svobodová Pavlíčková V, Rimpelová S. SpheroSeg: Advancing tumor spheroid analysis through open-source deep learning. Comput Methods Programs Biomed. Published online August 14, 2026. doi:10.1016/j.cmpb.2026.109602