BatchBench：生物医学图像中 AI 对批次效应和领域偏移的鲁棒性基准测试——JUMP Cell Painting 排行榜
BatchBench: Benchmarking AI Robustness to Batch Effects and Domain Shift in Biomedical Images - A JUMP Cell Painting Leaderboard
精选理由
提供生物医学图像抗批次效应与域偏移的评测基准，助力选择更稳健的AI模型。
AI 摘要
尽管近年来取得了诸多进展，当前的 AI 系统仍然极易受到领域偏移的影响，尤其是在生物医学成像领域，因为图像通常是在差异显著的实验条件下采集的。尽管近年来的领域自适应方法已取得长足进展，但在领域偏移情况下，性能差距仍然十分明显。为衡量这方面的进展，我们提出了 BatchBench，这是一个用于评估和比较 AI 系统在来自未见过的实验批次和数据源的生物医学图像上的鲁棒性的排行榜。BatchBench 基于 JUMP-CP 构建，后者是目前公开可用的规模最大的生物医学成像数据集之一。JUMP-CP 使用 Cell Painting 检测生成，表现出显著的批次效应和领域偏移，因此成为评估模型应对分布变化鲁棒性的严苛测试平台。