开放超声基础模型，用于跨异构环境的稳健分割和临床测量

超声是全球应用最广泛的成像方式，但临床人工智能仍然碎片化为狭窄的单任务模型，当设备、操作员或解剖结构发生变化时，这些模型就会失败。在这里，我们展示了 SonoCorpus，一个开放资源，统一了来自 24 个临床应用和 17 个国家的 53 个公共数据集的 456,963 个图像和 1,626,085 个专家掩模，以及 SonoBase，一个在其上预训练的交互式分割基础模型。在引入新器官、设备、操作员和地理位置的 15 个评估数据集中，SonoBase 在每个数据集上都优于 SAM2、MedSAM2 和概念提示的 MedSAM3，并且与在相同数据上训练的每个数据集专家模型相匹配；在完全外部的数据上，它超过了这些基线在其自己的分布内基准上实现的准确性。从其分段得出的射血分数属于观察者间变异性（6.63\% 误差），与任一提示基线相比，除颤器候选阈值的错误分类较少（13\% 与 18--42\%）；胎儿头围（1.81~毫米）和胎龄（1.2 天）误差低于观察者间变异。如果基线完全失败（四分之一的测试用例），SonoBase 在其中 81% 的测试用例中恢复了可用的分割，包括由两个低收入和中等收入国家（塞拉利昂和坦桑尼亚）中经过最低限度训练的用户操作的手持式探头。五个标记的示例可以帮助模型适应新的设置，并且相同的训练协议可以很好地转移到 SAM3 等较新的模型，从而将优势定位于特定于超声的预训练而不是任何单一架构。为了确保可重复性并使社区能够以 SonoBase 作为平台进行构建，我们发布了所有检查点、优化器状态、数据分割索引、重复数据删除哈希和起始代码。