[CVPR 2025/2026] Tell2Adapt：利用视觉基础模型打破医疗图像 SFUDA 的通用化壁垒

TL;DR

在医疗 AI 部署中，无源非监督领域自适应 (Source Free Unsupervised Domain Adaptation, SFUDA) 是一项既重要又极具挑战的任务——它要求模型在不触碰原始训练数据（隐私保护）的情况下，自动适配全新的设备或模态。本文提出的 Tell2Adapt 框架，通过引入 BiomedParse 等视觉基础模型（VFM），并配合 LLM 驱动的提示词正则化（CAPR）和解剖先验细化（VPR），在 22 个临床目标上刷写了 SOTA 记录，彻底解决了过去 SFUDA 方案“一个模型只能管一个病种、一个模态”的局限性。

1. 痛点：被空间提示词“带偏”的自适应

传统的跨模态自适应（如从 CT 到 MRI）往往因为巨大的灰度值差异和解剖形变导致模型失效。最近的研究尝试引入视觉基础模型（如 SAM）来当“老师”带学生。

然而，作者敏锐地发现了一个 “失败级联” (Failure Cascade) 问题：现有的 VFM-SFUDA 方法通常用源模型（Source Model）的预测作为输入（即空间提示，Spatial Prompts）给 VFM。如果源模型在目标域表现稀碎，给出的提示词也是错的，VFM 生成的伪标签就会错得更离谱。

图 1：Tell2Adapt 架构概览。通过文本提示词解开 VFM 与源模型性能的耦合。

2. 核心机理：从“告诉他坐标”到“告诉他特征”

为了打破上述循环，Tell2Adapt 将重心转向了更稳定的 文本提示 (Text Prompts)。

2.1 上下文感知提示正则化 (CAPR)

临床医生的输入往往是不规范的（例如“Liverr”、“Spleen CT”）。作者引入了 Qwen3-VL 等大语言模型作为语义净化器，将混乱的输入统一格式化为：[Target] in [Anatomical Site] [Modality]。 这种标准化操作确保了 VFM 的文本编码器能产生稳定的 Embedding，从而生成极其精准的伪标签。

2.2 视觉合理性细化 (VPR)

分割模型偶尔会在不可能长肿瘤的地方预测出脏点。VPR 引入了统计先验：它从 VFM 中提取了每个解剖结构的 Beta 分布模型（涵盖像素概率和 RGB 颜色分布）。 通过计算预测区域与先验分布的“解剖合理性分数” ($S(p_i)$)，模型能物理性地剔除假阳性伪影。

3. 实验战绩：全线霸榜

Tell2Adapt 在包括腹部 (AMOS)、脑部 (BraTS)、心脏 (ACDC/CAMUS) 和息肉分割在内的 10 个自适应方向上进行了严苛测试。

3.1 跨模态奇迹

在最具挑战性的 心脏 MR $\to$ 超声 (US) 转换中，这种跨越物理成像机制的偏移让所有竞争方法几乎全军覆没（Dice 接近 0%）。而 Tell2Adapt 凭借 VFM 的泛化知识，跑出了 94.6% (LV) 的惊人成绩。

图 2：在多个器官上的可视化分割效果，展现了极高的边界吻合度。

3.2 瘦身成功的“专家”

虽然 VFM 很大（BiomedParse 约 372M 参数），但 Tell2Adapt 最终交付给医生的是经过蒸馏的轻量化 U-Net (31M 参数)。这意味着复杂的自适应知识被压缩到了一张普通的 RTX 4090 甚至更低端的显卡上即可流畅运行。

4. 深度洞察与总结

Takeaway: Tell2Adapt 证明了在医疗领域，VFM 的角色不应仅仅是“分割工具”，更应该是“知识库”。

• 优点: 极强的通用性，不再依赖源模型的初步预测质量，大幅降低推理算力需求。
• 局限性: 伪标签生成阶段的时间开销仍然存在（每例腹部数据约 3.47秒），虽然不影响推理，但在快速在线自适应场景下仍有优化空间。

总而言之，该框架为未来医疗 AI 的大规模、隐私合规化部署提供了一个可复制的标准范式。