A Multi Center Breast FNAC Whole-Slide Cytology Dataset for AI-Assisted Patch-Wise Classification Using C1 to C5 Reporting Categories

Resumen Técnico: Un conjunto de datos de citología de portaobjetos completos de FNAC de mama multicéntrico para la clasificación por parches asistida por IA

Planteamiento del problema
El cáncer de mama sigue siendo una de las principales causas de morbilidad y mortalidad a nivel mundial, lo que requiere un diagnóstico temprano y preciso. La citología por aspiración con aguja fina (FNAC) es una herramienta crítica, mínimamente invasiva, para la evaluación inicial de lesiones, particularmente en entornos con recursos limitados. Sin embargo, la interpretación citológica es compleja debido a la superposición de características entre las lesiones benignas, atípicas y malignas. Si bien el Sistema Yokohama de la Academia Internacional de Citología (IAC) estandariza los informes en cinco categorías (C1–C5), el desarrollo de modelos de Inteligencia Artificial (IA) robustos para asistir en esta clasificación se ve obstaculizado por la falta de conjuntos de datos a gran escala, multicéntricos y bien anotados. Los recursos existentes suelen depender de la histopatología o de características nucleares extraídas en lugar de imágenes de portaobjetos completos (WSI) con etiquetas a nivel de parche para C1–C5, lo que limita la capacidad de evaluar sistemas de IA para el reporte estandarizado de la FNAC de mama.

Metodología
Los autores construyeron un conjunto de datos prospectivo y multicéntrico que involucra a 321 pacientes y 470 imágenes de portaobjetos completos (WSI) recolectadas de 13 centros médicos terciarios en la India entre mayo de 2023 y marzo de 2026.

• Adquisición de datos: Las muestras de FNAC se prepararon utilizando protocolos de tinción de Papanicolaou (PAP) y May–Grünwald–Giemsa (MGG). Todos los portaobjetos se digitalizaron a un aumento de 40× (0.25 micras/píxel) utilizando un único escáner Hamamatsu NanoZoomer S360 para minimizar la variabilidad relacionada con el escáner, lo que resultó en 190 WSI teñidos con PAP y 280 WSI teñidos con MGG en formato NDPI.
• Anotación y extracción: Las regiones de relevancia diagnóstica fueron identificadas manualmente por patólogos. Se crearon anotaciones de cuadros delimitadores rectangulares en QuPath y se exportaron como archivos GeoJSON. Estas anotaciones se mapearon a las cinco categorías de la IAC (C1–C5), representadas por números romanos I–V.
• Generación de parches: A partir de 446 de los 470 WSI anotados, se extrajeron 7,398 parches de imagen. Estos parches corresponden exactamente a las regiones anotadas y se guardaron como archivos PNG.
• Proceso de etiquetado: Las etiquetas de los parches fueron asignadas de forma independiente a nivel de parche por un patólogo y posteriormente verificadas por un patólogo sénior. Las etiquetas no fueron simplemente heredadas del diagnóstico a nivel de portaobjetos, sino que fueron específicas del contenido citomorfológico de cada parche.
• Liberación de datos: El conjunto de datos incluye los WSI NDPI originales, archivos de anotación GeoJSON, parches PNG extraídos, metadatos desidentificados (paciente, portaobjetos, sitio y resúmenes de clase), un diccionario de datos y un manifiesto que vincula los archivos con los registros de Zenodo.

Contribuciones clave

1. Diversidad multicéntrica: El conjunto de datos captura la variabilidad en la población de pacientes, la preparación de la muestra y las características de la tinción en 13 centros médicos indios, abordando la necesidad de datos de entrenamiento diversos.
2. Etiquetas a nivel de parche C1–C5: A diferencia de los conjuntos de datos previos que a menudo utilizan etiquetas binarias de benigno/maligno o características basadas en histología, este recurso proporciona etiquetas C1–C5 verificadas por expertos para 7,398 parches de imagen específicos, permitiendo tareas de clasificación de grano fino alineadas con los estándares de reporte clínico.
3. Trazabilidad: La liberación mantiene una línea de procedencia clara desde los parches individuales de vuelta a sus WSI de origen y coordenadas espaciales mediante archivos GeoJSON y una organización de directorios estructurada, facilitando la investigación reproducible.
4. Metadatos exhaustivos: La liberación incluye metadatos detallados sobre tipos de tinción, grupos diagnósticos y sitios de recolección, junto con resúmenes de validación y código para la inspección del conjunto de datos y el entrenamiento de modelos base.

Resultos y estadísticas del conjunto de datos
El conjunto de datos final comprende:

• 321 Pacientes y 470 WSI.
• 7,398 Parches extraídos distribuidos en las cinco categorías:
  • C1 (Insuficiente): 33 parches
  • C2 (Benigno): 3,706 parches
  • C3 (Atípico): 478 parches
  • C4 (Sospechoso de Malignidad): 402 parches
  • C5 (Maligno): 2,779 parches
• Tamaño Total: Aproximadamente 950 GB, distribuidos en 21 registros de Zenodo vinculados para acomodar los límites de tamaño de archivo.
• Validación: La validación técnica confirmó la integridad de los 470 WSI, la legibilidad de los archivos GeoJSON, la integridad de los 7,398 parches PNG y la consistencia de los metadatos. Las verificaciones de desidentificación aseguraron la eliminación de identificadores directos de los pacientes.

Significancia y Reivindicaciones
El artículo posiciona este conjunto de datos como un recurso fundamental para cerrar la breancia entre la citología digital y el soporte de decisiones asistido por IA. Los autores afirman que, al proporcionar tanto imágenes de portaobjetos completos como etiquetas a nivel de parche verificadas por expertos, el conjunto de datos permite experimentos de clasificación directa por parche mientras se retiene el contexto espacial.

Los autores señalan explícitamente que el conjunto de datos está "enriquecido diagnósticamente" porque los parches fueron seleccionados manualmente de regiones interpretables en lugar de ser muestreados exhaustivamente, lo que significa que no representa cada elemento citológico en un portaobjetos. Advierten que la categoría C1 está subrepresentada y que se debe considerar el desequilibrio de clases en el desarrollo de modelos. Además, los autores enfatizan que las etiquetas a nivel de parche sirven como estándares de referencia verificados por expertos para la clasificación citomorfológica, pero no deben interpretarse como diagnósticos finales del paciente, los cuales requieren la integración con la historia clínica y los hallazgos radiológicos. La principal significancia radica en proporcionar un benchmark estandarizado y multicéntrico para facilitar el desarrollo y la evaluación reproducible de modelos de IA para el reporte de la FNAC de mama.