El recuento de células en inmunocitoquímica es vital para la investigación biomédica, apoyando el diagnóstico y tratamiento de enfermedades como trastornos neurológicos, condiciones autoinmunes y cáncer. Sin embargo, los métodos tradicionales de conteo son manuales, consumen mucho tiempo y propensos a errores, mientras que las soluciones de aprendizaje profundo requieren costosos conjuntos de datos etiquetados, limitando la escalabilidad. Presentamos el Conjunto de Datos de Conteo de Células de Inmunocitoquímica con Modelo Segment Anything (IDCC-SAM), una nueva aplicación del Modelo Segment Anything (SAM), diseñada para adaptar el modelo para el conteo de células basado en cero disparos en conjuntos de datos de inmunocitoquímica microscópica fluorescente. IDCC-SAM aprovecha SAM de Meta AI, pre-entrenado en 11 millones de imágenes, para eliminar la necesidad de anotaciones, mejorando la escalabilidad y eficiencia. Evaluado en tres conjuntos de datos públicos (IDCIA, ADC y VGG), IDCC-SAM logró el menor Error Absoluto Medio (26, 28, 52) en VGG y ADC y el mayor Error Absoluto Aceptable (28%, 26%, 33%) en todos los conjuntos de datos, superando a modelos supervisados de última generación como U-Net y Mask R-CNN, así como a puntos de referencia de cero disparos como NP-SAM y SAM4Organoid. Estos resultados demuestran el potencial de IDCC-SAM para mejorar la precisión en el recuento de células mientras reduce la dependencia de modelos especializados y anotaciones manuales.