皮肤病变分割在缺乏标注掩码的情况下，需要通过其他线索来指定目标。现有方法通常依赖于皮肤镜特定规则、基于标注的模型先验或用户手动选取的区域。通用的文本到图像扩散变换器提供了基于文本的目标接口，但其概念词注意力在皮肤镜图像上表现不可靠：在模型的注意力输出空间中，词汇导出的皮肤‑病变方向与真实皮肤与真实病变的分离方向对齐度低。我们发现，利用生成的健康皮肤图像和病变图像得到的方向对齐度显著提升。基于此，提出了 GENIQ——一种无需训练的方案，首先从生成的图像中构建皮肤和病变的初始原型，然后在未标注的皮肤镜图像中挑选最具皮肤特征和病变特征的补丁进行原型细化。随后对测试补丁沿细化后的方向打分，并使用门控阈值抑制小病变周围的上下文泄漏。该方法在三个皮肤镜测试集上实现了 0.85‑0.88 的 Dice 分数，且在所有数据集上均优于零样本和基于词汇注意力的方法，并在两个数据集上在 Dice 与 IoU 上超越了手工设计的皮肤镜流水线。\n\n点评：GENIQ 通过自生成图像构造特征方向，摆脱了标注依赖，展示了文本‑图像模型在医学图像分割中的新潜力。