Newest papers

BatchBench: Benchmarking AI Robustness to Batch Effects and Domain Shift in Biomedical Images - A JUMP Cell Painting Leaderboard

Sonja Topf, Ana Sanchez-Fernandez, Günter Klambauer · 2026 · arXiv

DOI: 10.48550/arXiv.2610.30104 · open-access PDF

Vietnamese

Mặc dù những tiến bộ gần đây, các hệ thống AI hiện nay vẫn rất dễ bị thay đổi tên miền, đặc biệt là trong hình ảnh y tế, nơi hình ảnh thường được thu thập trong điều kiện thử nghiệm khác nhau.Mặc dù các phương pháp thích ứng tên miền gần đây đã đạt được những tiến bộ đáng kể, những khoảng cách hiệu suất đáng kể trong việc thay đổi tên miền vẫn tồn tại. Để đo lường sự tiến bộ trong lĩnh vực này, chúng tôi giới thiệu BatchBench, một bảng xếp hạng hàng đầu đánh giá và so sánh độ bền của các hệ thống AI trên hình ảnh y tế từ các lô thử nghiệm và nguồn dữ liệu chưa được nhìn thấy.

Machine translation (Meta M2M100); the English original follows.

Abstract

Despite recent advances, current AI systems remain highly susceptible to domain shifts, particularly in biomedical imaging, where images are usually acquired under substantially different experimental conditions. Although recent domain adaptation methods have made substantial progress, significant performance gaps under domain shift persist. To measure progress in this regard, we introduce BatchBench, a leaderboard that evaluates and compares the robustness of AI systems on biomedical images from unseen experimental batches and data sources. BatchBench is built on JUMP-CP, one of the largest p

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange