假设医院想判断某个基因是否与病情有关，却只有少量本院病例；院外倒有更多数据，但患者群体并不相同。直接混在一起，可能不仅帮不上忙，还会制造假阳性。CRT*瞄准的正是这个难题：怎样借用异质的外部数据，提高发现真实关系的机会，同时控制一类错误——其实没关系却判成有关系的误报。
它改造了条件随机化检验（CRT）：固定结果和其他变量，反复为待检变量生成“替身”，看真实关联是否异常强。关键是替身必须像真的。CRT用平滑残差自助法配合迁移学习，从无标签数据中学习变量分布；再用数据驱动的权重融合内部与外部队列，避免把差异较大的数据硬凑在一起。在论文的一组实验中，CRT的一类错误率为 0.044，低于名义水平 0.05；作者还从理论上证明，它在高维条件下可保持渐近误报控制，并比不借外部数据的标准 CRT 获得更高功效。具体收益仍取决于不同数据源的差异程度。