该工作提出类别感知非对称加权共形预测（CA-WCP），把潜空间密度比加权与分别校准上下体积界的方向分位数结合，并按验证集假阳性/假阴性率给每个界加上类别特异非对称因子；作者证明其在加权可交换性下保持每类边际覆盖保证，并在 BraTS 2020 与受协变量偏移的合成多器官 CT 上使各类 95% Clopper–Pearson 覆盖区间包含名义 90% 水平，同时区间宽度比对称加权共形预测缩小 8–14%。
该研究在ThyroidXL（11,635张图像、4,093名患者）上训练统一多任务模型，并在外部DDTI（660张图像）上测试，刻画了CNN（ResNet34）与医学ViT（MedSAM）在跨中心域偏移下分割与TI-RADS恶性分类之间的负迁移，并提出轻量级解码器侧适配器MKGA及其残差变体ResMKGA，通过多核感受野细化与语义上下文门控抑制伪影特征；结果显示适配器提升了域外分割稳定性（ResNet34+MKGA外部Dice 0.659、ResMKGA 0.671，对比未冻结基线0.590），并在CNN设置下显著提高TI-RADS诊断准确率（0.406→0.632，McNemar p<0.001）
该工作提出首个把提示依赖显式拆分为提示歧义（用户间差异）与局部敏感度（交互不精确）的框架：用混合密度网络建模图像条件下的合理提示分布并以协方差迹量化歧义，用稳定裕度刻画在测量噪声下引发掩膜变化所需的最小扰动，并在UT-EndoMRI（81例子宫内膜异位症患者、子宫分割）与MOGaMBO（94例局部晚期宫颈癌患者、膀胱分割）两套女性盆腔T2加权MRI上评估MobileSAM与MedSAM，发现两个指标与Dice呈显著负相关、彼此相关性低，且条件采样得到的像素级不确定度图与分割错误区域对齐。
该预印本在 MyoSegmenTUM、AIPS、Sheffield 三个基础数据集及由 MyoSegmenTUM 衍生的病理子集与增强分布偏移数据集上，对八种开源大腿肌肉 MRI 分割工具（含可独立运行的六种与需提示的两种 SAM 变体）做独立头对头评测，结合 Dice、Jaccard、Hausdorff、边界 IoU、跨层 Dice 比等多指标与定性可用性审查，发现面向领域的 U-Net 模型尤其 MuscleMap 整体模型在多数数据集上优于基础模型与较新的通用架构，叠加 SAM 变体多数情况下反而降低分割质量，且多数工具在病理样本上表现下降。
已读完全部报道