UCell：重新思考生物医学视觉模型的泛化性与扩展性
计算机视觉与模式识别
2026-04-02 v1 定量方法
摘要
现代深度学习领域以规模为中心。更大模型已被证明在相似架构下始终优于更小模型。然而在生物医学研究的许多子领域，模型扩展受到可用训练数据量的瓶颈，以及生成和验证额外高质量数据的高成本制约。尽管存在实际障碍，大多数正在进行的研究仍聚焦于构建更大的基础模型，而提升小模型能力的替代方案则长期被低估。我们实验构建具有10-30M参数的模型——按现代标准而言极小——以执行单细胞分割任务。一个重要的设计选择是将递归结构纳入模型的前向计算图，从而形成更参数高效的架构。我们发现，对于单细胞分割，在多个基准测试上，我们的小模型UCell匹配了其10-20倍规模模型的性能，并且对未见域外数据具有相似的泛化能力。更重要的是，我们发现UCell可以仅使用一组显微镜成像数据从头训练，无需依赖大规模自然图像预训练，因此将模型构建与任何外部商业利益解耦。最后，我们通过在一组多样化的小数据集上进行广泛的单样本和少样本微调实验，验证并确认了UCell的适应性。实现代码位于 https://github.com/jiyuuchc/ucell
引用
@article{arxiv.2604.00243,
title = {UCell: rethinking generalizability and scaling of bio-medical vision models},
author = {Nicholas Kuang and Vanessa Scalon and Ji Yu},
journal= {arXiv preprint arXiv:2604.00243},
year = {2026}
}