性能的代价是什么？一种兼顾可持续性的细胞与细胞核实例分割性能指数

用于细胞与细胞核实例分割的预训练模型在架构、预训练数据与目标、参数量、推理策略、适配要求、后处理流程以及计算需求方面存在显著差异。大型预训练模型和基础模型因其强大的零样本能力而得到日益广泛的应用，但其使用也带来了更高的能耗、内存需求、计算需求、适配成本以及运行碳排放。这些额外需求能否换来有意义的分割性能提升，目前仍不明确。为探究这一问题，我们提出了兼顾可持续性的性能指数（SAPI），这是一种融合分割性能、能耗和模型规模的可配置指标。我们在六个 CellBinDB 数据集上，对 19 个预训练模型和基础模型进行了零样本推理基准测试，并采用冻结编码器和全模型微调两种少样本适配策略，对 16 个可微调模型进行了评估。我们使用基于软件的监测工具估算 GPU、CPU 和 RAM 的能耗。结果表明，规模更大、计算需求更高的模型并不总能实现成比例的分割质量提升。尽管少样本适配能使多个模型受益，但其性能增益和资源成本因架构、数据集及适配策略而存在较大差异，导致基于 SAPI 的排名与仅基于性能的排名不同。本研究提供了一个更全面地比较分割模型的实用框架，有助于在生物医学图像分析中选择计算门槛更低、对环境更负责任的模型。