DBT-2026, a de-identified publicly available dataset of digital breast tomosynthesis exams with ground truth biopsies

Die Studie stellt DBT-2026 vor, einen öffentlich zugänglichen, anonymisierten Datensatz mit 558 digitalen Tomosynthese-Untersuchungen, Biopsie-Ergebnissen und klinischen Berichten, der die Forschung zur Brustkrebsdiagnostik fördern soll.

Das Wesentliche

Das Problem: Der „Nebel" in der Brust

Stell dir vor, du suchst nach einem winzigen Schlüssel in einem riesigen Haufen durcheinander gewürfelter Socken. Das ist das Problem bei der herkömmlichen Brustkrebsvorsorge (Mammografie). Die Brust besteht aus verschiedenen Gewebeschichten, die sich wie die Socken überlagern. Wenn man ein 2D-Bild macht, verschmelzen diese Schichten zu einem einzigen, verschwommenen Bild. Ein kleiner Tumor kann sich leicht „verstecken", oder ein harmloser Schatten wird fälschlicherweise für gefährlich gehalten.

Die Lösung: Ein 3D-Brillen-Modell

Hier kommt die neue Technik ins Spiel, die in der Studie vorgestellt wird: DBT (Digital Breast Tomosynthesis).
Stell dir vor, statt nur ein einziges Foto von der Brust zu machen, dreht die Maschine langsam um die Brust herum und macht hunderte von kleinen Fotos aus verschiedenen Winkeln. Ein Computer setzt diese dann wie die Seiten eines Buches zusammen.
Das Ergebnis? Man kann die Brustschichten wie die Blätter eines Buches einzeln durchblättern. Die „Socken" werden getrennt, und der „Schlüssel" (der Tumor) liegt plötzlich klar und deutlich da. Das ist viel genauer als das alte 2D-Verfahren.

Der Schatz: Die Datenbank „DBT-2026"

Die Forscher haben nun einen riesigen digitalen Schatz gesammelt, den sie DBT-2026 nennen.

• Was ist drin? Es sind 558 echte Patientenfälle.
• Warum ist das besonders? Bei den meisten öffentlichen Datensätzen weiß man oft nicht genau, ob ein Fund Krebs war oder nicht. Bei diesem Datensatz haben die Forscher aber das „Gold" gefunden: Sie haben die Bilder mit den echten Biopsie-Ergebnissen (dem Gewebe-Test) verglichen.
  • Die Analogie: Es ist, als hätte man eine Sammlung von 558 Rätseln gesammelt, bei denen man nicht nur das Rätselbild hat, sondern auch die Lösung auf der Rückseite kennt. Das ist für KI-Entwickler wie ein Lehrbuch mit Antworten.

Wer hat das gemacht und wie?

Die Daten kamen aus einem Krankenhaus in den USA. Aber bevor sie veröffentlicht wurden, haben die Forscher sie wie eine hochsichere Bank behandelt:

1. Entfernung aller Namen: Alle Namen, Adressen und Daten, die auf die Person schließen lassen, wurden komplett gelöscht (wie das Entfernen von Etiketten von alten Briefen).
2. Experten-Check: Ein Team aus erfahrenen Brustspezialisten hat sich die Bilder angesehen und genau markiert, wo etwas Auffälliges war. Sie haben wie eine Jury gearbeitet: Erst einer schaut, dann ein anderer, und wenn sie uneinig waren, haben sie sich geeinigt.

Was kann man damit anfangen?

Diese Datenbank ist wie ein offenes Trainingsgelände für künstliche Intelligenz (KI).
Bisher hatten KI-Programme oft nur wenig „Übungsmaterial" mit echten, bestätigten Krebsfällen. Jetzt können Forscher diese Daten nutzen, um KI-Modelle zu trainieren, die in Zukunft:

• Krebs früher erkennen.
• Weniger falsche Alarme geben (also weniger Frauen unnötig in Panik versetzen).
• Besonders gut bei Frauen mit sehr dichtem Brustgewebe helfen, wo das alte Verfahren oft versagt.

Die Regeln des Spiels

Die Daten sind kostenlos verfügbar, aber es gibt strenge Regeln:

• Nur für Forschung: Man darf sie nicht verkaufen oder für kommerzielle Produkte nutzen.
• Kein Klinik-Einsatz: Man darf die KI, die man damit trainiert, nicht sofort auf echte Patienten anwenden, ohne sie vorher gründlich getestet zu haben.
• Datenschutz: Niemand darf versuchen, die anonymisierten Patienten wieder zu enttarnen.

Fazit

Kurz gesagt: Die Forscher haben ein riesiges, sicheres und gut sortiertes Archiv von 3D-Brustbildern erstellt, bei dem man genau weiß, was „richtig" ist. Damit wollen sie Künstliche Intelligenz so gut ausbilden, dass sie in Zukunft wie ein super-scharfes Auge funktioniert, das Krebs findet, bevor er groß wird – und dabei hilft, dass weniger Frauen unnötig Angst haben müssen.

Technische Zusammenfassung

Technische Zusammenfassung: DBT-2026 – Ein de-identifizierter öffentlicher Datensatz für digitale Tomosynthese der Brust

1. Problemstellung und Hintergrund
Die Brustkrebsfrüherkennung ist eine der häufigsten Aufgaben in der Radiologie. Während die konventionelle 2D-Mammographie der Standard ist, stößt sie bei Frauen mit dichtem Brustgewebe an Grenzen, da sich Gewebeschichten überlagern können, was die Detektion und Charakterisierung von Läsionen erschwert. Die Digitale Brust-Tomosynthese (DBT), auch als 3D-Mammographie bekannt, löst dieses Problem durch die Aufnahme mehrerer Projektionsbilder in verschiedenen Winkeln, die zu dünnen, quasi-3D-Schichten rekonstruiert werden. Dies verbessert die Sichtbarkeit und Lokalisierung von Läsionen erheblich.

Trotz des wachsenden klinischen Einsatzes von DBT besteht ein erheblicher Mangel an hochwertigen, öffentlich zugänglichen Datensätzen, die mit einer soliden „Ground Truth" (Wahrheit) versehen sind, insbesondere durch Biopsie-Ergebnisse. Die meisten vorhandenen öffentlichen Datensätze enthalten nur eine geringe Anzahl an malignen Fällen, was die Entwicklung und Validierung von KI-Modellen für die Brustkrebsdiagnostik einschränkt.

2. Methodik und Datenerstellung
Das Paper beschreibt die Erstellung des DBT-2026-Datensatzes, eines realen klinischen Datensatzes, der durch folgende Schritte kuratiert wurde:

• Datengewinnung: Die Daten stammen aus einer automatisierten Verbindung mit einem Krankenhaus-PACS (Picture Archiving and Communication System) in DICOM-Format. Die Suche konzentrierte sich auf Screening-Patienten im Mittleren Westen der USA.
• Einschlusskriterien:
  • Frauen ab 18 Jahren.
  • Bilaterale Untersuchungen mit mindestens einem mediolateralen schrägen (MLO) und einem kraniokaudalen (CC) Bild für beide Brüste.
  • Ausschluss von Implantaten, früheren Brust-/Axilla-Operationen oder bekannter Brustkrebsanamnese.
  • BI-RADS-Scores von 0, 1 oder 2 (wobei BI-RADS 0 auf einen Befund hinweist, der weitere Untersuchungen erfordert).
• Datenschutz und De-Identifizierung:
  • Alle Patienteninformationen wurden de-identifiziert.
  • Eingebetteter Text in den Bildern wurde mittels OCR (Optical Character Recognition) extrahiert.
  • Ein kombinierter Ansatz aus NLP (Natural Language Processing) und Large Language Models (LLMs) entfernte die 18 von HIPAA definierten Identifikatoren aus Texten und Berichten.
  • Eine manuelle Überprüfung durch einen klinischen Spezialisten bestätigte das Fehlen von PHI (Protected Health Information).
• Annotation und Ground Truth:
  • Die Lokalisierung, Charakterisierung, Segmentierung und Messung von Läsionen wurde von einem Team erfahrener Brustradiologen (Fellowship-trained) durchgeführt, die über die iMerit Scholars-Plattform rekrutiert wurden.
  • Es wurde ein standardisiertes Annotationsprotokoll verwendet.
  • Ein „Doer–Checker"-Workflow (Durchführer-Prüfer) sowie eine finale Qualitätskontrolle durch einen US-amerikanischen, MQSA-zertifizierten Radiologen sicherten die Genauigkeit.
• Verfügbarkeit: Der Datensatz steht Forschern für nicht-kommerzielle Projekte kostenlos zur Verfügung, unterliegt jedoch strengen Nutzungsbedingungen (keine Weitergabe, keine Re-Identifizierung, keine klinische Entscheidungsfindung).

3. Ergebnisse und Datensatz-Statistik
Der finale Datensatz umfasst 558 DBT-Untersuchungen von 558 einzigartigen Patienten (Durchschnittsalter: 57,5 ± 11,1 Jahre). Die ethnische Zusammensetzung ist überwiegend weiß (537 von 558), mit einer kleinen Minderheit anderer Ethnien.

Die Kohorte wurde in vier Gruppen unterteilt, um die Vielfalt der klinischen Szenarien abzubilden:

• Gruppe A (Malignant): 271 Patienten mit biopsiebestätigtem Malignität (ca. 48,6 % der Kohorte).
• Gruppe B (Benign): 140 Patienten mit benignen Befunden.
• Gruppe C (Non-cancer callback): 115 Patienten, die aufgrund von Screening-Befunden (BI-RADS 0) zur weiteren Abklärung kamen, aber keinen Krebs hatten.
• Gruppe D (Biopsy-proven benign): 32 Patienten mit biopsiebestätigten benignen Befunden.

Insgesamt liegen für 538 Patienten Biopsie-Ergebnisse vor, was eine sehr hohe Rate an „Ground Truth"-Daten darstellt.

4. Schlüsselbeiträge

• Hohe Qualität der Ground Truth: Im Gegensatz zu vielen anderen öffentlichen Datensätzen bietet DBT-2026 eine starke Validierung durch Biopsie-Ergebnisse für fast die Hälfte der malignen Fälle und eine klare Unterscheidung zwischen benignen und malignen Befunden.
• Klinische Relevanz: Der Fokus auf BI-RADS 0, 1 und 2 spiegelt reale Screening-Szenarien wider, einschließlich der Herausforderung, bei BI-RADS 0 (unvollständige Bewertung) zwischen harmlosen und bösartigen Befunden zu unterscheiden.
• Öffentlicher Zugang: Die Bereitstellung als de-identifizierter, frei verfügbarer Datensatz für nicht-kommerzielle Forschung fördert die Entwicklung von KI-Algorithmen im Bereich der Brustkrebsdiagnostik.
• Robustes Annotations-Workflow: Die Kombination aus internationalen Experten, standardisierten Protokollen und mehrstufigen Qualitätskontrollen (Doer-Checker + US-Radiologe) gewährleistet hohe Datenintegrität.

5. Bedeutung und Ausblick
Der DBT-2026-Datensatz stellt einen bedeutenden Schritt vorwärts für die Forschung im Bereich der medizinischen Bildgebung dar. Er adressiert direkt die Lücke an annotierten Daten mit hoher diagnostischer Sicherheit, die für das Training und die Validierung von KI-Modellen zur Früherkennung von Brustkrebs mittels DBT notwendig sind.

Einschränkungen:

• Die Daten stammen von einer einzigen Quelle (einzelnes Krankenhaus), was potenzielle Verzerrungen (Bias) in Bezug auf Demografie und Gerätehersteller mit sich bringen könnte.
• Die Nutzung ist auf nicht-kommerzielle Zwecke beschränkt.

Fazit:
DBT-2026 ist ein wertvolles Werkzeug für die KI-Community, um Modelle zu entwickeln, die die Genauigkeit der Brustkrebsdiagnostik verbessern, insbesondere in Fällen mit dichtem Brustgewebe und unklaren Screening-Befunden. Die Autoren bieten zudem die Möglichkeit an, über eine Multi-Zentren-Datenbank Zugang zu noch umfangreicheren Daten zu erhalten.