AUROC
评估二分类模型排序能力的常用指标，取值0.5到1.0，表示随机正负样本中正样本得分更高的概率，常用于监控场景中排序失败轨迹与成功轨迹。
核心事实
时间轴 (近 90 天)
裁判分歧能预测错误，AUROC最高达0.80，但逆概率加权带来的方差膨胀超过了信号收益。
在机器学习中，等效边界可依据指标的实际意义来定，例如AUROC差异不超过0.01。
要在80%功效下证明0.01 AUROC的等效性，即使两种方法完全相等，也需要每种方法十二次运行。
对于复合统计量，研究采用两级bootstrap方法进行推断，该方法不依赖正态性假设，适用于AUROC等非高斯分布的指标。
作者用LLM裁判识别可疑报告，AUROC为0.48（不优于随机），而简单的TF-IDF词频分类器AUROC为0.65。
跨模型验证的研究显示，盲点检测的 AUROC 为 0.70，而同模型自检只有 0.59。
校准意味着模型输出的概率应与现实匹配；神经网络普遍存在过度自信倾向，不应盲目相信模型概率，应使用标注数据验证后再设置阈值。
S3KG 的 AUROC 最高达到 0.973
队列构建方式不同意味着即便两项研究报告相近的AUROC也未必解决同一临床问题，一个机构的模型不能直接部署到另一个机构
全部知识事实 (11)
校准意味着模型输出的概率应与现实匹配；神经网络普遍存在过度自信倾向，不应盲目相信模型概率，应使用标注数据验证后再设置阈值。
75%已验证AUC值域为0.5到1.0，0.5代表随机猜测、1.0代表完美预测，不受样本类别不平衡影响
75%已验证AUC是衡量二分类模型综合性能的核心指标，0.5代表随机猜测，1.0代表完美分类
75%待验证裁判分歧能预测错误，AUROC最高达0.80，但逆概率加权带来的方差膨胀超过了信号收益。
50%待验证在机器学习中，等效边界可依据指标的实际意义来定，例如AUROC差异不超过0.01。
50%待验证对于复合统计量，研究采用两级bootstrap方法进行推断，该方法不依赖正态性假设，适用于AUROC等非高斯分布的指标。
50%待验证要在80%功效下证明0.01 AUROC的等效性，即使两种方法完全相等，也需要每种方法十二次运行。
50%待验证作者用LLM裁判识别可疑报告，AUROC为0.48（不优于随机），而简单的TF-IDF词频分类器AUROC为0.65。
50%待验证跨模型验证的研究显示，盲点检测的 AUROC 为 0.70，而同模型自检只有 0.59。
50%待验证S3KG 的 AUROC 最高达到 0.973
50%待验证队列构建方式不同意味着即便两项研究报告相近的AUROC也未必解决同一临床问题，一个机构的模型不能直接部署到另一个机构
50%