随着分割一切模型（Segment Anything Model, SAM）的提出，基于SAM进行医学图像分割（Medical Image Segmentation, MIS）的微调方法逐渐成为研究热点。然而，由于SAM模型规模庞大，且自然图像与医学图像之间存在显著领域差异，基于微调的策略不仅成本高昂，还可能引发模型不稳定、特征破坏以及灾难性遗忘等问题。此外，部分通过微调方式将SAM迁移至特定医学领域的研究，会损害模型原有的提示（prompting）能力，严重限制其应用场景。针对上述问题，本文提出一种自动提示模块（Auto-Prompting Module, APM），该模块为基于SAM的通用模型在目标医学领域中提供欧几里得自适应提示（Euclidean adaptive prompts）。实验结果表明，此类自适应提示可显著提升SAM在无需微调情况下的医学图像分割性能。进一步地，我们提出一种新颖的非侵入式方法——增量模式迁移（Incremental Pattern Shifting, IPS），用于将SAM适配至特定医学领域。实验结果表明，IPS能够在无需微调的前提下，使SAM在医学图像分割任务中达到当前最优或具有竞争力的性能表现。通过结合上述两种方法，本文构建了一个端到端的、无需微调的可提示医学图像分割框架——ProMISe（Promptable Medical Image Segmentation）。实验验证表明，无论是单独使用APM或IPS，还是二者协同应用，均能在极低计算成本下实现优异的分割性能，且SAM的所有参数始终保持冻结状态，有效避免了微调带来的风险与开销。