将提示依赖拆成提示歧义与局部敏感度后，两个指标与妇科盆腔MRI分割质量显著负相关且彼此低相关

提出把提示依赖分解为提示歧义与局部敏感度两个可计算分量，并给出基于全方差定律的方差分解：局部敏感度对应扰动引起的期望局部方差，提示歧义对应参考提示之间的方差。 以往提示精炼方法（如用检测网络推断最优提示、迭代生成并筛选提示）与掩膜级不确定度方法（集成或随机推断）把局部敏感度与提示不确定性混在一起处理；该工作首次在公式层面把两者分开。 理论推导基于对扰动变量应用全方差定律，并对提示歧义做一阶展开，得到 VarB[f(B)] ≈ ∇bf(μB)ᵀΣB∇bf(μB)；属于解析论证，未依赖新数据。

用混合密度网络近似图像条件下的合理提示分布 pθ(b|x)，以预测协方差的迹 Uamb(I) 量化提示歧义，并进一步采样提示生成像素级熵不确定度图。 把提示歧义从定性描述变为可估计的图像级标量，并可将该分布传播到像素级不确定度，而不只是给出单一提示或单一掩膜不确定度。 MDN为两层MLP、K=8个高斯分量（K由验证集BIC选择），以负对数似然训练，验证集 nll ≈ −2.5；不确定度图评估中条件采样（CondMDN）在MobileSAM下AUROC 0.98、ΔEntropyok/err 0.45（UT-EndoMRI）与0.38（MOGaMBO），优于抖动提示（AUROC 0.93）与非条件分布D0（AUROC 0.96）。

提出稳定裕度 δ⋆(I,b) 作为局部敏感度的度量：在容差 τ=0.1 下，使平均掩膜差异超过阈值所需的最小扰动幅度，并用预训练的稳定裕度预测器快速近似。 不再用无穷小扰动估计局部敏感度，而是给出与临床可接受差异挂钩的阈值化定义，且该经验流程不需要额外真值掩膜，只依赖模型对合成扰动的响应。 预测器为两层MLP，以ℓ1损失训练，验证集 ℓ1 ≈ 0.001；离线真值由每类扰动（平移或缩放）32个样本、δ∈{0.005, 0.01, 0.05}的离散网格计算。

在两个数据集与两个模型上，提示歧义与局部敏感度彼此相关性低，且各自与Dice呈显著负相关，说明二者刻画互补的失败模式。 为“拆分设计”提供了实证支持：若两者高度相关，拆分就无必要；低相关说明它们捕捉不同来源的提示相关失败。 MobileSAM下 r(Uamb, δ⋆) = −0.07（MOGaMBO）与0.001（UT-EndoMRI）；r(Dice, Uamb) = −0.45（MOGaMBO）与−0.30（UT-EndoMRI），r(Dice, δ⋆) = 0.36与0.44，均在 p<0.001 显著；同时高歧义且高敏感度组 Dice+/+ = 0.29，低于 Dice−/− = 0.73（MOGaMBO，MobileSAM）。

该框架面向使用可提示分割模型、且提示由不同用户给出的医学影像工作流，尤其是存在观察者间差异的器官勾画场景；它只需冻结的图像编码器与模型响应，不需要额外真值掩膜，因此适合作为部署前的可靠性评估与失败模式诊断工具。作者指出下一步是把该评估框架整合进临床实践，用于改善放疗靶区勾画，并提取稳健的器官与病灶生物标志物；代码已公开。

作者明确指出仍需进一步实验来理解超参数的影响，首先是建模 pθ(b|x) 所用的分量数以及稳定裕度阈值 τ。此外，提示依赖的主要驱动因素随数据集、模型与指标而变化：在MOGaMBO中Dice与Uamb的负相关更强，而在UT-EndoMRI中Dice与δ⋆的负相关更强，说明该驱动因素具有数据集特异性，并被不同图像编码器以不同方式编码。读者还需注意，当前证据来自两套女性盆腔MRI数据集与两个SAM类模型，向其他器官、模态与模型的推广仍属开放问题。