CVPR 2026 | 不微调也能做 OOD 肿瘤分割？R2-Seg 用"解剖推理 + 统计拒绝"抑制假阳性
论文题目 ：R2-Seg: Training-Free OOD Medical Tumor Segmentation via Anatomical Reasoning and Statistical Rejection
发表出处 ：CVPR 2026
作者机构 ：Carnegie Mellon University、University of Cambridge、Zhejiang University、ETH Zurich、UIUC
关键词 ：Medical Tumor Segmentation, OOD Generalization, Foundation Model, Anatomical Reasoning, Statistical Rejection
解读依据：用户提供的论文与解读提示词模板。
1. 🚀 省流版摘要：这篇文章到底做了什么？
一句话概括：
R2-Seg 希望在不更新任何模型参数的情况下，让 BiomedParse 这类医学分割基础模型更可靠地处理 OOD 肿瘤分割，核心思路是先用 LLM 做解剖定位推理，再用统计检验拒绝假阳性候选区域。
这篇文章关注的问题非常现实：医学分割 foundation model 在正常器官、常见结构上表现不错，但一遇到 OOD tumor，很容易把正常组织、伪影、背景纹理误识别成肿瘤。尤其在无肿瘤切片中，模型往往"不愿意输出空 mask"，导致大量假阳性。
R2-Seg 的解决思路不是 fine-tuning，也不是 LoRA，而是一个 training-free test-time adaptation pipeline：
- Reason：用 LLM 根据肿瘤类型推理相关解剖锚点，比如 bladder tumor 先定位 bladder，再生成多尺度 ROI；
- Segment：在 ROI 内调用冻结的 BiomedParse 做肿瘤分割，并结合 flip TTA；
- Reject：对候选连通域做两样本统计检验，判断它是否真的与正常组织分布不同；
- Gate：再用存在性门控、候选级门控、病例级分数进一步压制空切片假阳性。
从结果上看，R2-Seg 不一定在所有 OOD 肿瘤上都获得最高 Dice，但它显著提升了 specificity 和 class-average accuracy，也避免了 fine-tuning 带来的 catastrophic forgetting。
2. 🧐 背景与痛点：为什么 OOD 肿瘤分割这么难？
2.1 Foundation model 的尴尬：能分割，但不一定"懂异常"
近几年，SAM、MedSAM、BiomedParse 等 promptable foundation model 给医学图像分割带来了很大想象空间。尤其 BiomedParse 这种 text-driven 模型，可以通过文本 prompt 同时完成 segmentation、detection 和 recognition。
但肿瘤分割和普通器官分割不太一样。
器官往往有相对稳定的形态、位置和强解剖先验，而肿瘤具有明显的：
- 形状不规则
- 大小跨度大
- 强度分布复杂
- 跨中心、跨扫描协议、跨患者差异大
- 同一肿瘤类型内部异质性强
因此，OOD 场景下 foundation model 的视觉 embedding 可能变得不可分。论文在 Figure 1 中用 embedding distribution 示意：in-distribution 下前景和背景较容易分开，而 OOD 下边界偏移，正常背景也可能被判成 tumor。
论文 Figure 1，展示 In-Distribution 与 Out-of-Distribution 下 visual embedding separability 的差异
2.2 Fine-tuning 并不是万能解
一个直接想法是：既然 OOD 不行，那就 fine-tune。
但医学肿瘤数据存在天然限制：
- 数据稀缺；
- 标注成本高；
- 不同肿瘤类型差异大；
- 小数据 fine-tuning 容易过拟合；
- 更重要的是，可能导致 catastrophic forgetting。
论文后续用 AMOS22 CT/MR、M&Ms 等 in-distribution 数据验证了这一点：fine-tuned BiomedParse 或 LoRA 版本虽然可能改善某些 tumor Dice，但对原本的正常器官分割能力会明显下降。
所以，作者提出的问题是：
能不能不改模型参数，也能让 foundation model 更适合 OOD tumor segmentation？
R2-Seg 就是对这个问题的回答。
3. 💡 核心方法：Reason-and-Reject
R2-Seg 的核心可以概括为四个字：先想，再拒。
也就是论文标题中的两个关键词：
- Reason：通过解剖推理缩小搜索空间；
- Reject：通过统计检验拒绝假阳性。
论文 Figure 2，R2-Seg 整体流程图，包括 LLM planning、ROI construction、BiomedParse + TTA、MMD statistical test 和 false-positive gating
3.1 整体架构：从文本目标到最终 mask
以 "bladder cancer" 为例，R2-Seg 的完整流程如下：
- 输入医学图像和癌种文本概念；
- LLM planner 根据癌种推理相关解剖锚点，例如 bladder；
- 调用 BiomedParse 先分割 anchor organ；
- 根据 organ mask 生成多尺度 ROI；
- 在 ROI 内用 tumor prompt 进行肿瘤分割；
- 对预测 mask 做 connected component decomposition，得到候选区域；
- 对每个候选区域和正常器官区域做统计两样本检验；
- 只保留与正常组织显著不同的候选区域；
- 最后通过 false-positive gating 输出最终 mask，必要时输出全零 mask。
这个 pipeline 的关键不是"让模型更强"，而是让模型少犯低级错误。
尤其是 OOD 肿瘤场景，直接让 BiomedParse 在整张图上找 tumor，很容易出现全器官误分割或大面积假阳性。R2-Seg 先通过 anatomical anchor 把问题限定到合理空间，再用统计检验筛掉不可信区域。
3.2 Reason：LLM-guided anatomical planning
第一步是 LLM-based planning。
LLM planner 将一个高层医学概念，例如 "bladder tumor"，转换成结构化 AnatomyPlan，包括：
- Anchor organs：相关解剖锚点；
- ROI instructions：padding、scale jitter、square crop 等几何规则；
- Reasoning trace：推理过程。
形式上，论文将 planner 表示为：
文本癌种概念 c → anchor organs A、ROI instructions I_ROI、reasoning trace r。
随后，BiomedParse 先根据 anchor-specific prompt 分割正常器官，得到 organ mask。多个 anchor organ 的 mask 会被合并，生成 bounding box，再经过 dilation、square enforcement 和多尺度 jitter 得到 ROI。
这里的设计有两个意义：
第一，肿瘤位置通常依附于器官或局部解剖结构。与其让模型在全图里乱找，不如先确定合理搜索区域。
第二，foundation model 对正常器官的识别通常比对 OOD 肿瘤更可靠。所以作者让模型先做它擅长的 organ localization，再做更难的 tumor segmentation。
这点其实很有启发：
在医学 foundation model 落地时，异常目标不一定应该直接分割。先借助稳定解剖结构建立上下文，可能是更稳的路径。
3.3 Segment：ROI 内的 frozen BiomedParse + TTA
在得到 ROI 后，R2-Seg 使用冻结的 BiomedParse 进行 tumor segmentation。
这里没有任何参数更新，只做 multi-view test-time augmentation，包括：
- identity；
- left-right flip；
- top-bottom flip。
不同 view 的预测会 inverse transform 回原坐标，然后通过 max-fusion 得到融合概率图。随后阈值化得到 tumor mask，并通过连通域分析得到若干 candidate components。
这个阶段本身并不复杂，但有两个重要点：
- ROI 让模型输入更聚焦，减少无关背景；
- TTA 让预测更稳定，缓解单视角偶然误差。
不过，仅靠 ROI 和 TTA 还不够。因为 foundation model 在 OOD 场景下仍会产生一些碎片化假阳性，所以论文最核心的创新其实在下一步。
3.4 Reject：基于 MMD 的两样本统计检验
这是 R2-Seg 最有意思的部分。
作者没有单纯相信模型的 probability score，而是提出一个统计问题：
一个候选肿瘤区域的影像特征分布，是否与正常器官区域显著不同？
如果候选区域和正常组织并没有统计显著差异，那它很可能只是正常纹理、噪声或伪影，应当被拒绝。
具体来说，论文对每个 candidate component C_k 提取像素级特征，例如 ROI 内 percentile-normalized intensity。然后将候选区域特征 X 与正常器官区域特征 Y 进行 nonparametric two-sample test。
原假设是：
H0：候选区域和正常区域来自同一分布。
H1：候选区域和正常区域来自不同分布。
论文使用的是 MMD² with Gaussian kernel ，并通过 permutation test 估计 p-value。多个候选区域会产生多个 p-value，因此作者进一步用 Benjamini--Hochberg correction 控制 False Discovery Rate。
通俗理解就是：
- 如果候选区域和正常器官差异显著，则保留；
- 如果差异不显著，则认为它更像假阳性，拒绝。
这一步非常符合医学任务的直觉。肿瘤不是单纯"看起来像 prompt 对应物"，而应该在局部影像分布上与正常组织存在异常差异。
3.5 False-positive gating：专门处理空 mask 场景
医学肿瘤分割里还有一个很重要的问题：很多切片本来就没有肿瘤。
但 text-prompted segmentor 很少主动输出空 mask。于是，在 negative slices 上会出现非常高的 false positive rate。
为了解决这个问题，R2-Seg 增加了三层门控：
L1：Existence gate
计算：
- 全局最大概率 pmax；
- positive ratio；
- 前景和背景概率分布的 KS test p-value。
如果整体置信度太低，或者前景比例太小，或者前景/背景概率差异不明显，就直接判为 negative。
L2：Candidate-level gate
对候选区域施加约束，例如：
- 面积不能太小；
- 平均概率要足够高；
- 与 organ mask 的 overlap 要满足条件。
L3：Case-level score
对剩余候选区域计算病例级分数，如果最大分数仍低于阈值，则输出全零 mask。
这套 gating 的目标非常明确：
宁愿保守一点，也不要在没有肿瘤的切片上乱报。
当然，这也带来一个 trade-off：specificity 提高的同时，sensitivity 可能下降。论文在 Discussion 中也承认，这是 R2-Seg 的主要局限之一。
4. 📊 实验与结果：R2-Seg 到底强在哪里？
4.1 数据集设置
论文使用了 10 个 organ-specific tumor segmentation datasets，覆盖 CT 和 MR 两种模态。
其中 OOD tumor types 包括：
- Bladder tumor；
- Uterus tumor；
- Prostate tumor；
- Breast tumor；
- Cervix tumor。
In-distribution tumor types 包括：
- Liver tumor；
- Lung tumor；
- Pancreas tumor；
- Colon tumor；
- Kidney tumor。
此外，作者还使用 AMOS22 CT、AMOS22 MR、M&Ms 来评估 fine-tuning 是否导致 catastrophic forgetting。
4.2 对比方法
论文主要比较了：
- BiomedParse zero-shot：直接用原始模型；
- BiomedParse-FT：使用训练切片 fine-tune；
- BiomedParse-LoRA：对 pixel decoder 做 LoRA；
- R2-Seg：不更新参数，只做 Reason-and-Reject。
这个对比设置比较有意思，因为 R2-Seg 不是和传统 nnU-Net 直接拼 fully-supervised 分割性能，而是强调：
在 foundation model 已有能力基础上，如何进行 training-free OOD adaptation。
4.3 OOD 肿瘤结果：Dice 不是唯一重点，specificity 更关键
论文 Table 2 给出了五类 OOD tumor 的代表性结果。
一个非常显著的现象是：
BiomedParse 在很多 OOD case 上 sensitivity = 1.000，但 specificity = 0.000。
这意味着什么？
它几乎把所有切片都预测成阳性。这样当然不会漏掉阳性切片，但会产生大量假阳性。对于临床筛查，这种模型会带来严重 overdiagnosis 风险。
R2-Seg 的特点则是：
- specificity 显著提高；
- class-average accuracy 提高；
- Dice 在部分任务上优于 BiomedParse，但不总是超过 LoRA；
- sensitivity 有时下降，体现出保守拒绝策略。
例如：
- Prostate tumor：R2-Seg Dice 0.465，高于 BiomedParse 0.047 和 LoRA 0.428；
- Breast tumor：R2-Seg specificity 0.728，高于 BiomedParse 0.030 和 LoRA 0.520；
- Cervix tumor：R2-Seg specificity 0.632，高于 BiomedParse 0.000 和 LoRA 0.359。
这说明 R2-Seg 的主要价值不是盲目追求更高 sensitivity，而是把模型从"见什么都像肿瘤"的状态拉回到更可信的工作区间。
论文 Table 2，展示五类 OOD tumor 上 Dice、Sensitivity、Specificity、Accuracy、CA 的对比结果
4.4 可视化结果：BiomedParse 容易把器官当肿瘤
论文 Figure 3 非常直观。
在 prostate、cervix、uterus、bladder 等 OOD 情况下，BiomedParse 容易把包含肿瘤的整个器官区域分出来，而不是只分肿瘤本身。
这其实暴露了 text-prompted foundation model 的一个问题：
prompt 说的是 "tumor"，但模型可能只是捕捉到了相关 organ context，而没有真正识别 lesion boundary。
R2-Seg 通过 ROI planning 和 statistical rejection，一定程度上抑制了这种过分割。
论文 Figure 3，不同方法在 prostate、kidney、colon、cervix、breast、uterus、liver tumor 上的可视化结果
4.5 FROC 分析：假阳性控制更适合临床视角
论文还使用 FROC 曲线评估 scan-level sensitivity 与 false positives per scan 的关系。
这比单纯 Dice 更贴近临床，因为实际部署中，医生更关心：
- 在可接受假阳性数量下，能保留多少敏感性？
- 模型是否会给出大量无意义报警？
论文结果显示，R2-Seg 在 mild rejection 和 aggressive rejection 设置下都可以提供更好的 sensitivity-FP trade-off。尤其在更强拒绝设置下，R2-Seg 仍能在一定 false positive 数量下保持较高 sensitivity。
论文 Figure 4，FROC curves，展示 scan-level sensitivity 与 FP per scan 的关系
4.6 消融实验：统计检验和 FP gating 都是必要的
论文 Table 3 分析了两个模块：
- statistical test；
- false-positive gating。
结果显示：
- 去掉 statistical test 后，低对比器官内部容易出现更多 false activation；
- 去掉 FP gating 后，背景激活增加，specificity 明显下降；
- 两者结合时，整体 specificity 和 Dice 更稳定。
这说明 R2-Seg 的性能不是单靠 LLM ROI，也不是单靠简单阈值后处理，而是 Reason + Reject + Gate 共同作用。
论文 Table 3，统计检验与假阳性门控的消融实验结果
5. 🧠 笔者思考与总结
5.1 这篇文章最大的亮点
笔者认为，这篇文章最大的亮点不是某个复杂网络结构，而是它提出了一种很实用的医学 foundation model 使用范式：
不一定要训练模型，而是可以在推理阶段加入医学先验、空间约束和统计检验，让 foundation model 的输出更可信。
这和很多现有工作不同。很多 TTA 方法关注如何更新 BN、adapter 或 LoRA 参数，但 R2-Seg 直接绕开参数更新，用外部知识和统计规则做 test-time adaptation。
这有几个优势：
- 不需要访问模型内部结构；
- 不需要反向传播；
- 不会 catastrophic forgetting；
- 更容易作为 wrapper 接在已有 foundation model 后面；
- 对临床安全性更友好，因为重点是压制 false positives。
5.2 这篇文章对医学 AI 的启发
R2-Seg 的思想对医学图像分析很有启发，尤其对 foundation model 后处理或系统级 pipeline 设计。
它提示我们：
医学 AI 不一定要把所有知识都塞进网络参数里。
有些知识可以来自：
- 解剖位置；
- 器官拓扑；
- 疾病发生区域；
- 局部强度统计；
- 假阳性控制策略；
- 临床任务的先验约束。
对于 OOD tumor segmentation，模型输出本身并不一定可靠。因此，与其盲目相信模型 confidence，不如引入一种 model-agnostic 的统计检验机制，判断候选区域是否真的异常。
这点和医学诊断逻辑也更接近：医生不会只看"像不像"，还会看它是否偏离正常解剖和正常影像表现。
5.3 潜在局限：specificity 上来了，但 sensitivity 可能下降
R2-Seg 的局限也比较明显。
第一，统计拒绝和 false-positive gating 会提高 specificity，但也可能误拒真实小病灶。对于早期肿瘤、小病灶、低对比病灶，这种风险尤其值得关注。
第二，方法依赖 anchor organ segmentation。如果 BiomedParse 对 anchor organ 本身分割失败，后续 ROI planning 可能会受到影响。
第三，目前特征主要是 intensity distribution。对于 MR 多序列、增强模式、纹理复杂病灶，仅靠 intensity-level MMD 可能不够。未来可以考虑引入 radiomics feature、foundation model intermediate feature，甚至多模态统计特征。
第四，LLM planner 的可靠性和可复现性也值得进一步讨论。不同 LLM、不同 prompt 是否会产生稳定 AnatomyPlan？这对临床部署很重要。
6. ✅ 总结
R2-Seg 是一篇很有系统思维的工作。
它没有提出新的 backbone，也没有训练一个更大的模型，而是围绕 OOD tumor segmentation 的真实痛点，构建了一个 training-free、model-agnostic、clinically safer 的推理框架。
它的核心贡献可以总结为三点：
- Reason before segmentation：先通过 LLM 解剖推理定位 organ anchor 和 ROI；
- Reject after segmentation：用 MMD 两样本检验拒绝与正常组织无显著差异的候选区域；
- Avoid forgetting：不更新 BiomedParse 参数，因此避免 fine-tuning/LoRA 带来的 catastrophic forgetting。
当然，R2-Seg 也不是完美答案。它在提高 specificity 的同时牺牲了一部分 sensitivity，小病灶漏检仍是风险。但从医学 AI 落地角度看，这篇文章提出了一个非常值得关注的方向：
未来的医学 foundation model，可能不只是一个"大模型"，而是一套由基础模型、解剖知识、统计检验和安全门控共同组成的可信推理系统。
本文由 AI 辅助解读，仅供参考，详细内容请查阅原论文。