BatchBench：评估生物医学图像中的批次效应与域偏移鲁棒性

AI 系统在生物医学图像分析中面临一个棘手问题：模型在训练集上表现优异，一旦遇到新实验批次或不同数据来源的图像，性能就可能大幅下降。这种由实验条件差异引起的分布变化被称为域偏移（domain shift），而批次效应（batch effect）是其中最常见的一种。为了系统性地衡量 AI 模型对抗这类干扰的能力，研究人员推出了 BatchBench——一个基于 JUMP-CP 数据集的公开排行榜，专门评测生物医学图像模型在未见实验批次和数据源上的鲁棒性。

为什么批次效应是生物医学 AI 的“隐形杀手”

生物医学图像的采集过程高度依赖实验条件：不同实验室的显微镜型号、染色方案、培养批次、甚至当天的温湿度，都可能让同一类细胞呈现出截然不同的视觉特征。对于深度学习模型而言，这些非生物学的变异很容易被误当作有意义的信号，导致模型在跨批次泛化时表现骤降。

据原文所述，尽管域适应方法近年来取得了不少进展，但在域偏移场景下，模型性能仍然存在显著差距。这种差距在药物发现、细胞表型分析等对可靠性要求极高的应用中尤为危险——一个在内部测试集上准确率 95% 的模型，换一个实验批次可能就跌到 70% 以下。

BatchBench 的提出正是为了把这种“隐形退化”变成可量化、可比较的公开指标。

域适应（Domain Adaptation） 是机器学习中应对域偏移的一类方法总称，其核心目标是在源域（训练数据）和目标域（测试数据）分布不一致时，仍然让模型在目标域上保持良好性能。常见策略包括：对齐源域与目标域的特征表示（如通过对抗训练或最大均值差异约束）、在目标域上进行无监督或半监督微调、以及利用领域不变的因果特征进行学习。在生物医学图像中，域适应常被用于跨批次、跨实验室、跨显微成像模态的泛化。然而，现有方法大多假设目标域数据在训练时可获得（无监督域适应），而 BatchBench 的“留出批次”设定更接近域泛化（Domain Generalization）——模型在训练时完全看不到目标批次，这比传统域适应更具挑战性，也是当前鲁棒性研究的难点所在。

JUMP-CP：大规模细胞绘画数据集作为测试床

BatchBench 建立在 JUMP-CP（Joint Undertaking for Morphological Profiling–Cell Painting）之上，这是目前公开可用的最大生物医学图像数据集之一。该数据集通过 Cell Painting 检测方法生成——一种用多种荧光染料同时标记细胞不同细胞器，从而捕获丰富形态学信息的实验技术。

JUMP-CP 的一个关键特点是它天然包含强烈的批次效应和域偏移。由于数据由多个实验批次和不同数据源构成，它恰好构成了评估鲁棒性的理想压力测试场。研究者无需人为注入噪声，真实实验条件的变化已经足够让模型暴露短板。

排行榜的评测逻辑

BatchBench 以排行榜（leaderboard）形式组织评测，核心思路是：让参赛模型在训练时接触一部分实验批次，然后在完全未见的批次和数据源上进行测试。这种“留出批次”的设计直接模拟了真实部署场景——模型上线后遇到的数据，几乎不可能与训练数据来自同一实验条件。

排行榜的公开性也意味着不同团队、不同架构的模型可以在统一标准下横向对比，避免了过去各自报告指标、难以复现的问题。

Cell Painting 是一种高内涵成像（high-content imaging）检测方法，由 Broad Institute 开发并推广。其实验流程使用六种荧光染料分别标记细胞的多个细胞器与结构：细胞核（Hoechst）、内质网（Concanavalin A）、核仁（SYTO 14）、高尔基体与质膜（WGA）、线粒体（MitoTracker）、以及肌动蛋白骨架（Phalloidin）。一次成像可产生五个荧光通道的图像，覆盖细胞形态、纹理、强度分布等数千个形态学特征。这些特征被广泛用于基因功能注释、化合物毒性预测和表型筛选。由于 Cell Painting 对实验条件（染料批次、光照、培养时间）极为敏感，不同批次间的图像差异往往大于生物学差异，因此它成为研究批次效应和域偏移的天然试验场。JUMP-CP 合作计划将这些特性规模化，为方法学评测提供了真实而非模拟的分布偏移数据。

留出批次设计（leave-batch-out） 是一种评估模型分布外泛化能力的实验协议：在训练集中完全排除某些实验批次或数据源，仅用剩余批次训练模型，然后在被留出的批次上测试。这与随机划分训练/测试集有本质区别——随机划分下，同一批次的图像可能同时出现在训练和测试中，模型可以“记住”批次特有的视觉模式（如背景色调、照明梯度），从而高估其泛化能力。留出批次设计强制模型学习与批次无关的生物学信号，更贴近真实部署场景：新一批实验的数据必然带有训练时未见过的技术变异。该协议在域泛化文献中也被称为“leave-one-domain-out”，是衡量鲁棒性的黄金标准之一。BatchBench 将其应用于 JUMP-CP 的多批次结构，使评测结果具有明确的现实意义。

对 AI 研究社区的意义

BatchBench 的价值不止于一个榜单。它提供了一个可复现的基准，让域适应、鲁棒性优化等研究方向有了共同的参照系。对于从事生物医学图像分析的团队来说，这个排行榜可以回答一个非常实际的问题：我的模型换一个实验批次还能用吗？

从更广的视角看，JUMP Cell Painting 排行榜也呼应了 AI 领域对“分布外泛化”日益增长的关注。无论是自然图像还是医学影像，模型在训练分布之外的可靠性，正在成为比单纯刷高准确率更受重视的指标。BatchBench 把这一议题带入了生物医学图像的具体场景，并给出了可操作的评测框架。

对于想要参与的研究者，BatchBench 提供了明确的提交入口和评测流程；对于应用方，它则是一面镜子，照出模型在真实世界多变条件下的真实成色。