知识卡片：目标泄漏而非模型类别解释了基于调查的心血管筛查报告准确率：对玻璃盒与表格基础模型的泄漏分层审计

英文标题：Target leakage, not model class, explains reported accuracy in survey-based cardiovascular screening: a leakage-tiered audit of glass-box and tabular foundation models

英文关键词（据摘要整理；原源未单列关键词字段）：target leakage; cardiovascular screening; AUROC; glass-box; tabular foundation models; Behavioral Risk Factor Surveillance System; explainable boosting machine; conformal prediction; Mondrian calibration; fairness; calibration; evaluation practice

一句话结论

在这项泄漏分层审计中，基于全国健康调查的心血管筛查模型所报告的高 AUROC 更主要由特征集/目标泄漏解释，而非模型类别；移除两个诊断后特征后，所有模型的性能差距收缩到很窄区间，透明玻璃盒模型与表格基础模型相比没有性能劣势且推理快得多，评估实践而非模型容量是约束。

事件概述或研究问题

• 背景：基于 national health surveys 训练的心血管筛查模型常报告 AUROC 约 0.89。
• 问题：该准确率反映学习还是目标泄漏？表格基础模型是否改变结论？部署所需的属性能否在联合检查下成立？
• 数据与设计：在 2022 年行为风险因素监测系统（BRFSS）的 442,067 名受访者中，针对 prevalent myocardial infarction 基准测试十种分类器；这些分类器覆盖 linear、tree-ensemble、neural、glass-box 和 tabular foundation 类别；使用五个特征层级，泄漏风险递减。
• 审计维度：判别力、校准、在明确筛查阈值下的公平性、共形覆盖、解释忠实度、推理成本。
• 外部应用：模型和阈值冻结后，应用于 2023 年 BRFSS 的 430,755 名受访者。

方法/产品要点

• 泄漏分层：五个 feature tiers 对应递减的泄漏风险；关键操作是移除两个 post-diagnostic features。
• 模型比较：十种分类器；摘要未列出具体模型清单、超参数和实现细节，待核实。
• 联合审计：除 AUROC 外，同时检查 calibration、fairness、conformal coverage、explanation faithfulness、inference cost。
• 玻璃盒方法：以 explainable boosting machine 作为可解释模型代表。
• 公平与不确定性修复：通过编辑模型 shape functions 缩小性别检测差距；使用 Mondrian calibration 修复各分层共形覆盖。
• 时间外部验证：在 2022 数据上完成基准测试与审计，冻结模型和阈值后用于 2023 数据。

主要结果或产业意义

• 移除两个 post-diagnostic features 使每个模型损失 0.049–0.051 AUROC，整个模型场收缩为 0.0045 宽的性能带。
• 玻璃盒 explainable boosting machine 在预设 0.005 非劣 margin 内不劣于所有替代模型，并在该队列评分上比最强 foundation model 快约 104 倍。
• 某一阈值检测到女性心肌梗死 75.4%，男性 89.0%；编辑 shape functions 后差距降至 0.010。
• 边际共形预测对男性覆盖 0.86，对 60 岁以上成人覆盖 0.82；Mondrian calibration 修复了每个分层。
• 冻结模型在 2023 数据上的 AUROC 迁移差异在 0.002 以内。
• 作者结论：该文献中报告的性能提升空间是特征集属性，而非学习器属性；透明度没有可测成本，并使公平修复与不确定性条件化可直接审计；评估实践而非模型容量是 binding constraint。

为什么重要

• 对临床风险筛查与健康调查建模，提醒优先审计目标泄漏和特征可得性，而不是先追逐更复杂模型。
• 对表格基础模型：在本研究比较中，玻璃盒模型非劣于包括表格基础模型在内的替代模型，同时推理更快；在本研究设置下，透明、快速、可审计的玻璃盒模型值得作为部署基线考虑。
• 对评估协议：仅报告 AUROC 会掩盖校准、公平、覆盖和解释忠实度问题；联合审计和外部时间验证应成为常规。
• 与既有脉络的关系：已有 CAM 综述等关注可解释性与基础模型评估碎片化；本条增量在于把“可解释性/基础模型”问题放到临床表格筛查的泄漏分层与部署属性联合审计中，指出模型类别不是报告准确率的主因，并展示公平与不确定性修复的可审计路径。它与已有 MLLM 视觉认知错误卡片、代码模型自修复卡片领域不同，不重复其事实。

局限与不确定性

• 以上主要来自摘要；完整论文中的特征分层定义、十个模型清单、超参数、统计检验、预设 0.005 margin 的定义与实现细节、公平性指标定义、阈值选择、外部验证细节、代码和数据可得性等均待核实。
• 摘要称“解释”，但本研究设计能否支持因果性归因，需看正文方法与敏感性分析；当前可表述为“在本研究设置下，报告准确率与特征集/目标泄漏高度相关”。
• BRFSS 为调查数据，心肌梗死（prevalent myocardial infarction）的定义、测量方式与临床验证程度待核实。
• 模型和阈值冻结后的 2023 迁移在 0.002 AUROC 内，但其他年份、人群或医疗系统的可迁移性待核实。
• 推理速度“约 104 倍”的具体硬件、批大小、预处理成本和统计不确定性待核实。
• Mondrian calibration 与 shape functions 编辑的实现、是否影响其他分层或整体性能待核实。

可用于图书/PPT/简报的角度

• “不是模型不够强，而是评估在漏题”：目标泄漏如何抬高健康筛查 AI 的 AUROC。
• 表格基础模型 vs 玻璃盒模型：复杂度和可解释性是否真的换来部署优势？
• 从单一 AUROC 到联合审计：判别力、校准、公平、共形覆盖、解释忠实度、推理成本六件套。
• 公平性可修复性：编辑 shape functions 缩小性别检测差距的案例。
• 不确定性分层：Mondrian calibration 如何修复不同人群的共形覆盖。
• 评估实践作为 binding constraint：为什么可审计基线可能比更大模型更重要。

原始材料

• 英文标题：Target leakage, not model class, explains reported accuracy in survey-based cardiovascular screening: a leakage-tiered audit of glass-box and tabular foundation models
• arXiv ID：2609.11838v1
• Authors：Raad Bin Tareaf, Murad Al-Rajab, Samia Loucif, Samer Ellaham, Cedric Schmitz
• Published：2026-09-10T17:29:15Z
• Updated：2026-09-10T17:29:15Z
• Primary category：cs.CL
• Categories：cs.CL
• Abstract URL：https://arxiv.org/abs/2609.11838v1
• PDF URL：https://arxiv.org/pdf/2609.11838v1