정합적 리스크 제어 (Conformal Risk Control, CRC)는 홀드아웃 데이터 (held-out data)에서 예측 집합 임계값 (prediction-set threshold)을 보정함으로써 세분화 품질 (segmentation quality)에 대한 분포 무관 보장 (distribution-free guarantees)을 제공합니다. 연합 배포 (federated deployments) 환경에서 표준적인 접근 방식은 여러 사이트의 보정 점수 (calibration scores)를 하나의 임계값으로 통합합니다. 우리는 실제 다기관 뇌종양 데이터 (FeTS-2022, 1,251명, 20개 기관)를 통해 이러한 단순 통합 CRC 방식이 평균적인 병원은 보호하지만, 개별 기관의 40%에서는 커버리지 (coverage)를 위반하며, 최악의 사이트는 목표 위음성률 (false-negative rate)을 7.8%포인트 초과한다는 점을 최초로 정량화하여 보여줍니다. 단순한 대안인 사이트별 로컬 CRC (per-site local CRC)는 커버리지를 대부분 회복하지만, 예측 집합 (prediction sets)을 83배나 팽창시켜 임상적으로 무용지물로 만듭니다. 우리는 수축 기반의 연합 CRC 프로토콜 (shrinkage-based federated CRC protocol)을 제안합니다. 각 사이트는 자신의 경험적 리스크 곡선 (empirical risk curve, G 스칼라)만을 서버로 전송하며, 서버는 사이트별로 수축 정규화된 임계값 (shrinkage-regularized threshold)을 계산합니다. 단일 하이퍼파라미터 $n_0$는 최악의 경우 커버리지와 예측 집합 효율성 (prediction-set efficiency) 사이를 매끄럽게 조절합니다. Leave-one-site-out 민감도 분석을 통해 $n_0=19$를 식별하였으며, 이는 2.0배의 확장 (stretch) 하에서 20개 중 2.7개의 위반을 달성합니다. 우리는 더 나아가 커버리지 예산 (coverage budgets)에 대한 직접적인 라그랑주 최적화 (Lagrangian optimization)가 실패하여 취약한 병원에 리스크를 집중시킨다는 점과, 유한 표본 보정 항 (finite-sample correction term)이 필수적임을 보여줍니다. 이 항을 제거하면 위반 횟수가 3배로 증가합니다. 한계 CRC 보장 (marginal CRC guarantee)은 명시된 사이트 혼합 가정 (site-mixture assumption) 하에 구조적으로 보존됩니다. 사이트별 커버리지는 3개의 시드 (seeds)를 사용하여 4개의 목표치에 대해 검증되었습니다. 환자 수준의 이미지, 마스크 또는 볼륨당 점수는 어떤 사이트도 벗어나지 않습니다.