做医学影像标注，有人更在意边界的贴合程度，有人希望点一下就有响应，也有人要把一处病灶沿着连续切片追下去。这些工具分别侧重掩膜质量、轻量交互和跨切片处理。
下面把9款模型放到一起，先看它们适合做什么，再看两组公开测试：一组比较乳腺超声病灶在不利提示框下的表现，另一组观察肿瘤CT、MRI中的框偏移。场景建议结合了工具设计与这些评测，供筛选试用对象。
结果总览
表1｜场景速查。SAM-HQ2在官方项目中也写作HQ-SAM 2；ScribblePrompt有SAM与UNet两个版本，后面的框测试对应SAM版本。性能判断限于本文引用的数据和配置。
如果主要想改善单图掩膜，我会先比较SAM-HQ2、SAM-HQ和MedSAM；机器资源有限，就把MobileSAM提前。如果经常需要亲手补几笔，ScribblePrompt更贴近这种工作方式。连续切片则需要另外看SAM 2.1或Medical SAM 2的传播方式和错误累积。
01 /同一组乳腺超声病灶，八款模型差多少
BREPS研究比较了多种提示式分割模型。研究者收集真实用户画的框，再用带自然性约束的优化方法，为模型寻找更有利或更不利的提示框。
这里选取其中的BUID乳腺超声数据，包含良性和恶性病灶。每个模型既接受紧贴参考目标的基准框，也接受BREPS搜索得到的不利框。后者用于检验模型在不利提示条件下的表现，属于受约束的压力测试。
数据来源：BREPS论文补充Table 3，arXiv:2601.15123v1 。下表使用IoU，采用0—100量表；不利框由各模型按BREPS协议分别搜索。各家选取一个代表配置，骨干规模有所差异。表2｜BUID结果摘录。基准紧框为原文Tight，不利框为BREPS搜索得到的Min，表示该优化过程找到的低值。结果对应表中列出的骨干与配置；完整表另列RobustSAM等模型及更多骨干版本。
优先看绝对分数，SAM-HQ2在这组配置中最突出。
基准框下为88.44，不利框下仍有71.64。若手头任务接近这类二维病灶分割，又愿意承担Hiera-L的模型规模，它值得排在试用名单前面。
优先看掉分幅度，MedSAM有另一种优势。
它从66.86降到56.61，下降10.25个IoU点，少于上表其他配置。它的不利框成绩为56.61，SAM-HQ2为71.64。下降幅度反映对框变化的敏感程度，扰动后的分数则反映该输入条件下的分割质量。
SAM和SAM 2.1的基准成绩几乎相同，分别为77.55和77.63；到了不利框条件，变成55.87和43.90。把不利框也纳入测试后，可以看到两款工具对提示误差的不同反应。
02 /这些差别，怎样对应到实际工作
SAM与SAM 2.1：先明确你需要单图，还是序列。
SAM适合做单图提示分割的参照。它的点、框接口和已有工具生态，方便检查一个新方法到底改善了什么。具体器官和病灶的适配效果，需要在对应影像上评估。
SAM 2.1增加了图像与视频的统一工作流，以及跨帧信息传播能力。需要沿连续切片处理目标时，这种接口更有用。上表采用Hiera-T配置，测试的是单图框输入，其成绩随框变化明显。做单图病灶任务时，我会比较两款模型在目标影像上的结果；使用序列传播时，则会沿切片检查目标范围是否连续、错误是否累积。
SAM-HQ与SAM-HQ2：更在意轮廓细节，可以优先比较。
这条路线的设计目标是提高掩膜质量。SAM-HQ沿用SAM编码器并改进掩膜预测，适合已经有SAM流程、想比较边界和细节改善的人；它保留了原编码器的资源需求，部署预算仍需随骨干型号安排。
SAM-HQ2延续了这条路线，并提供图像和视频接口。它在上面的BUID代表配置中同时保住了较高的基准分数与不利框分数。我会把它作为追求分割质量时的优先候选，并同时核对实际骨干。这里测试的是Hiera-L，MobileSAM采用Tiny配置，两者的计算预算需要分别估计。
MobileSAM：先满足轻量交互，再看精度够不够。
MobileSAM用较小的图像编码器替换原SAM编码器，同时沿用相近的提示接口。需要做资源受限的单图标注界面、验证交互流程，或评估CPU部署路线时，它有明确用途。
上表中，它从73.14降到54.27，提示误差仍会影响分割结果。资源允许时，我会把它与HQ路线放到同一批影像上，比较分割成绩、响应时间和需要修正的边界。
MedSAM与SAM-Med2D：医学适配，仍要分开看提示方式。
MedSAM围绕医学框提示分割展开，在本文两组实验里都表现出较小的框扰动波动。框来自不同标注者，或来自一个定位有波动的检测器时，我会把它放进对照组。它的分割成绩随病灶和权重状态变化，微调效果需要单独检查。
SAM-Med2D支持医学二维图像中的点、框和掩膜提示，更适合需要多种提示方式、准备继续适配任务的人。它在BUID基准框下的71.92高于MedSAM的66.86，不利框下则为12.48。对于框位置有波动的流程，我会先检查这个配置的提示鲁棒性，再决定是否接入。
ScribblePrompt：它解决的是“我想再改几笔”。
ScribblePrompt支持涂鸦、点击和框，还提供SAM与UNet两个版本。病灶边界有一段需要手工指出、想反复追加提示修正时，这套交互方式比只给一个框更贴近需求。
BREPS里，ViT-B版本的单次框结果为49.11和19.00，在这组配置中处于较低水平。选择ScribblePrompt时，我会分别考察SAM与UNet版本，并记录追加涂鸦或点击后能修正哪些区域、需要多少次操作。这更贴近它所服务的反复标注过程。
03 /处理肿瘤切片，还要看Medical SAM 2
第九款模型Medical SAM 2进入另一组评测。9月19日上线的Scientific Reports研究，比较了六个公开肿瘤数据集上的多种模型，并对MedSAM与Medical SAM 2单独测试了框的缩放和平移。
Medical SAM 2把切片作为序列处理，并保留跨切片信息。对需要沿一段CT或MRI追踪肿瘤范围的任务，它比纯单图接口更符合输入形式。本文采用Zhu等的Medical SAM 2，对应代码项目ImprintLab/Medical-SAM2。
在这项研究的微调框提示配置下，Medical SAM 2取得了较高的肺、肝和肾肿瘤基准成绩，同时对缩框和平移更敏感。以KiTS23肾肿瘤为例，基准Dice为86.58；扩框5%时略升至87.10，缩框20%后降至72.78，平移20%后为71.29。
数据来源：Tortora等，论文Table 5。下表为两款模型的微调框提示设置，数字是基准框→平移20%后的Dice。该实验采用固定比例平移与Dice指标；前面的BREPS采用优化搜索与IoU指标。表3｜Dice采用0—100量表。位移幅度以原框的宽或高为基准。每个数字是相应任务的汇总成绩。
肾肿瘤中，Medical SAM 2掉分以后仍然领先；肝肿瘤则发生了排名反转。它适合进入“能给出较可靠提示、又需要连续切片处理”的候选组。如果框容易漏掉目标边缘，或检测器时常定位不准，就应把这种误差一起交给模型测试。
MedSAM的权重状态也影响了结果。同一肾肿瘤任务中，论文报告的零样本成绩为83.04，这次微调配置为44.01。比较或复现时，记录具体权重与适配设置，才能把分数对应到实际使用的版本。
六个数据集上的肿瘤分割原图对照
图3｜第二组研究的Figure 1原图。列为六个肿瘤数据集，首行为参考标注，其余为模型预测；SAM模型展示微调框提示设置。该图展示Tortora等多癌种评测中的标准配置病例预测。Tortora等，Scientific Reports，2026，CC BY 4.0。
04 /缩小候选范围，再比较你真正要做的那一步
如果今天要为二维病灶标注选两款试用，我会先按限制条件来定。能接受较大模型、优先看掩膜质量，就比较SAM-HQ2与MedSAM；资源紧张，就把MobileSAM换进来；需要涂鸦反复修正，则让ScribblePrompt参与交互流程的比较。
有连续切片需求，再加入SAM 2.1或Medical SAM 2。需要医学二维的多种提示适配，可以考察SAM-Med2D，同时把框位置有偏差的样本纳入检查。SAM和SAM-HQ则适合保留为已有单图流程的参照，看看升级到底改变了多少边界与修正工作。
如果要做完整的三维交互标注，nnInteractive和MedSAM2也值得另设一组；如果已有人工标注、准备训练专用模型，nnU-Net是另一条路线。三维交互与专用训练分别需要对应的评测设置，可以作为后续比较的独立任务。
最后，给模型的框从哪里来，会影响这次选择。人工画框、检测器出框，以及从参考标注提取的标准框，各有相应的误差来源。我会先用实际流程里能得到的提示比较候选模型，再记录漏分、多分和人工修正量。对一款标注工具来说，这些结果比只在标准框下多几分，更接近日常要处理的工作。
参考资料
Tortora M, Mulero Ayllón E, Ruffini F, Guarrasi V, Soda P. Benchmarking foundation models for tumor segmentation across multiple cancer types. Scientific Reports，2026-09-19提前公开接受稿。
