我们提出 ReuScope，一种用于审计数据重用和评估敏感性的协议，并以 Capsule Vision 2024 为案例进行验证。核心思路是同时测量两类比较：① 在保持模型预测不变的前提下，改变评估人群；② 在保持评估集不变的前提下，改变训练数据。\n\n在公开的训练‑验证划分中，存在字节相同的文件跨界，所有 41 条 Kvasir‑Capsule 记录的帧均出现在两个划分中，形成跨划分的重叠。由于缺少跨记录的患者标识，无法统计唯一共享患者数。\n\n在十组配对随机种子下，移除所有归属 Kvasir‑Capsule 的训练行以及另外五行被标记为“近似匹配”的记录，公共验证集的平衡准确率从 $82.5\%$ 降至 $61.2\%$。若在同一模型上改为评估其他来源的验证行，则比较方向相反：移除后平衡准确率提升 $1.38$ 个百分点。该下降度量的是对来源移除的敏感性，而非泄漏导致的分数膨胀。\n\n匹配对照实验表明，仅样本量和类别计数不足以解释上述分数差异。进一步的探索性实验移除与验证帧在训练集中存在近邻匹配的训练邻居，或等量的远离训练行，得到的差分‑差分估计相对于未标记帧的真实类别概率变化为 $-0.355$ 个百分点；对应的配对 $t$ 区间跨越零，表明差异不显著。\n\n该流程能够区分观察到的重用行为与条件性能敏感性，并为每一结论明确指定了人口、类别支持和不确定性单元。\n\n点评：ReuScope 提供了系统化的框架，既捕捉数据重用的实际情况，又量化其对评估结果的影响，为数据泄漏审计设立了可复现的基准。