综述：弱标签驱动的医学图像分割：标注经济学视角下的粒度—成本—性能权衡与临床任务支持综述

《Mathematics》：From Weakly Supervised Segmentation to Diagnostic Decisions: An Annotation-Economics Review for Medical Imaging

　　准确的医学图像分割及其支持的诊断决策，越来越受到监督成本的制约：由专家临床医生进行的密集体素级标注仍然缓慢、昂贵且难以规模化，导致许多解剖结构、病理类型和成像模态仅有稀疏标注。因此，已有大量文献放宽了对完整掩码的需求，但现有的综述往往仅罗列有限监督的各种宽泛形式，而未直接比较标注粒度、标注负担与分割质量之间的实际权衡。本综述聚焦于弱标签与粗粒度标签设置（包括图像级标签、点/点击、边界框、涂鸦标注、粗掩码，以及作为独立的、依赖于协议形式的监督方式的眼动追踪或部分标注），并通过标注经济学视角对其进行系统梳理，综合考虑每个案例的标注成本、所需专业水平、可扩展性，以及与完整监督相比的已报告性能差距。现有证据表明，边界框和涂鸦标注在若干医学分割研究中能够提供有利的成本—性能权衡，但所报告的指标和数据集具有异质性，不应将其解读为统一的定量前沿。接下来，我们考察了基础模型的转向，即Segment Anything Model（SAM）及其医学衍生版本，并论证了可提示模型是对人类监督的重新编码而非消除，将部分工作从离线标注转移到了推理阶段的交互环节。最后，我们将分析扩展到Dice系数之外的维度，探讨弱监督生成的掩码是否能够支持下游临床任务：整体测量可能对中度的边界误差具有相对较高的容错能力，而纹理特征和高阶放射组学特征则可能更为敏感。文末，我们指出基准碎片化、标注变异性以及连接弱分割与临床结果之间证据仍然不足等开放问题，并提出构建统一的"弱标签→任务"基准以供未来评估。