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

Cet article présente DBT-2026, un ensemble de données public et déidentifié comprenant 558 examens de tomosynthèse mammaire numérique avec annotations d'experts et rapports cliniques, destiné à faciliter la recherche sur le dépistage et le diagnostic du cancer du sein.

L'essentiel

🎥 Le "Google Maps" du sein : Présentation de DBT-2026

Imaginez que vous essayez de trouver un petit objet caché dans un tas de feuilles d'automne épaisses. Si vous regardez le tas de haut (en 2D), les feuilles se superposent, et l'objet est invisible. C'est un peu le problème que rencontrent les radiologues avec les seins denses : les tissus se superposent, cachant parfois de petits problèmes.

Pour résoudre ce casse-tête, les médecins utilisent une technique appelée tomosynthèse mammaire numérique (DBT). Au lieu de prendre une seule photo plate, ils prennent plusieurs "tranches" d'images sous différents angles, un peu comme si l'on découpait un gâteau en tranches fines pour voir ce qu'il y a à l'intérieur. Cela permet de voir les choses beaucoup plus clairement.

Mais pour entraîner des intelligences artificielles (IA) à devenir de super-héros capables de repérer ces problèmes automatiquement, il faut leur montrer des milliers d'exemples. Et c'est là qu'intervient ce nouveau projet : DBT-2026.

📚 Une bibliothèque de secrets médicaux (anonymisés)

Les auteurs de ce papier ont créé une immense bibliothèque numérique gratuite pour les chercheurs. Voici ce qu'elle contient, expliqué simplement :

1. Le contenu : C'est une collection de 558 examens de seins différents.

2. La qualité : Contrairement à d'autres bases de données qui sont parfois floues ou incomplètes, celle-ci est "étiquetée" avec une précision chirurgicale. Chaque image est accompagnée de la vérité absolue :

   • Soit une biopsie (un prélèvement réel) a confirmé un cancer.
   • Soit elle a confirmé que c'était bénin (sans danger).
   • Soit le patient a été rappelé pour un examen supplémentaire.
   • Analogie : C'est comme si on donnait aux élèves non seulement les questions d'un examen, mais aussi le corrigé exact avec les explications du professeur.

3. La sécurité (Le masque de l'anonymat) :
   Avant de publier ces données, les auteurs ont joué aux détectives pour effacer toute trace d'identité. Ils ont utilisé des robots intelligents (de l'IA) pour lire les images et les rapports, effacer les noms, les adresses et les dates de naissance, et s'assurer qu'aucun patient ne puisse être reconnu. C'est comme regarder un film où les visages sont floutés, mais où l'intrigue médicale reste parfaitement claire.

🕵️‍♀️ Comment ont-ils fait ? (Le processus)

• La chasse au trésor : Ils ont fouillé dans les archives d'un hôpital aux États-Unis pour trouver des femmes âgées de plus de 18 ans ayant passé ce type d'examen.
• Le tri sélectif : Ils ont gardé uniquement les cas où le radiologue avait dit : "Il y a quelque chose d'inhabituel" (score 0) ou "Tout semble normal" (scores 1 et 2).
• L'expertise humaine : Pour s'assurer que les images étaient bien décrites, une équipe de radiologues experts (basés en Inde et aux États-Unis) a relu chaque dossier. Ils ont agi comme des éditeurs de livres : un premier lit le texte, un second vérifie les fautes, et un troisième valide la qualité finale.

🎯 Pourquoi est-ce important ?

Actuellement, l'IA est très douée, mais elle a besoin de "nourriture" de haute qualité pour apprendre.

• Avant : Les chercheurs avaient peu de données précises sur les cancers réels. C'était comme essayer d'apprendre à conduire avec un seul jouet en plastique.
• Maintenant : Avec DBT-2026, ils ont un vrai terrain d'entraînement. Cela va aider à créer des IA capables de détecter le cancer plus tôt, avec moins de faux alarmes (ce qui évite aux patientes des stress inutiles).

⚠️ Les règles du jeu

Cette bibliothèque est gratuite, mais elle a des règles strictes :

• Usage unique : Elle est réservée à la recherche scientifique (pour apprendre, pas pour vendre).
• Pas de commerce : On ne peut pas revendre les données.
• Pas de diagnostic : On ne peut pas utiliser ces images pour soigner des patients réels directement. C'est un outil d'entraînement, pas un outil médical immédiat.

En résumé

Ce papier annonce la naissance d'un super-outil éducatif pour l'intelligence artificielle. En offrant gratuitement des milliers d'images de seins "réels" avec leurs réponses exactes (biopsies), les auteurs espèrent accélérer la course contre le cancer du sein. C'est comme donner une carte au trésor complète aux chercheurs, afin qu'ils puissent construire les meilleurs détecteurs possibles pour sauver des vies à l'avenir.

Résumé technique

Résumé Technique : DBT-2026, un ensemble de données public pour la tomosynthèse mammaire

1. Problématique

La détection précoce du cancer du sein repose largement sur le dépistage par mammographie. Bien que la mammographie numérique 2D soit la norme, elle présente des limites, notamment en cas de tissu mammaire dense où le chevauchement des structures peut masquer des lésions ou générer des faux positifs. La tomosynthèse mammaire numérique (DBT), ou mammographie 3D, surmonte ces obstacles en acquérant des projections sous différents angles pour reconstruire des coupes quasi-3D, améliorant ainsi la visibilité et la caractérisation des lésions.

Cependant, le développement de modèles d'intelligence artificielle (IA) performants pour la DBT est entravé par le manque d'ensembles de données publics, bien annotés et disposant d'une "vérité terrain" (ground truth) robuste, telle que des résultats de biopsie. La plupart des données publiques existantes contiennent peu de cas de malignités confirmées, limitant leur utilité pour l'entraînement et la validation de modèles de détection.

2. Méthodologie

L'étude décrit la création et la curation de l'ensemble de données DBT-2026 :

• Source des données : Les examens DBT ont été extraits du système PACS (Picture Archiving and Communication System) d'un hôpital aux États-Unis (région du Midwest) via l'outil automatisé Segmed Piper.
• Critères d'inclusion :
  • Femmes de 18 ans et plus éligibles au dépistage.
  • Examens bilatéraux incluant au moins une vue oblique médio-latérale (MLO) et une vue crânio-caudale (CC) pour chaque sein.
  • Absence d'implants mammaires, d'antécédents de chirurgie mammaire/axillaire ou de cancer du sein.
  • Scores BI-RADS (Breast Imaging Reporting and Data System) de 0, 1 ou 2.
  • Priorité donnée aux patients ayant subi des biopsies prouvant une malignité.
• Protection de la vie privée et dé-identification :
  • Suppression des 18 identifiants de santé protégés (PHI) définis par la loi HIPAA.
  • Utilisation de la reconnaissance optique de caractères (OCR) pour détecter le texte incrusté dans les images.
  • Traitement du texte (rapports et métadonnées) par des modèles de langage (LLM) et du traitement du langage naturel (NLP) pour éliminer les informations sensibles.
  • Validation manuelle par un spécialiste clinique confirmant l'absence de PHI résiduel.
• Annotation et Qualité :
  • Les annotations (localisation, caractérisation, segmentation, mesure des lésions) ont été réalisées par une équipe de radiologues seniors spécialisés en imagerie mammaire, formés et crédentifiés via la plateforme iMerit Scholars.
  • Un protocole standardisé développé par des experts cliniques américains a été appliqué.
  • Un workflow en deux étapes "Doer–Checker" (Réalisateur-Vérificateur) a été mis en œuvre pour résoudre les divergences par consensus.
  • Une revue de qualité finale a été effectuée par un radiologue américain certifié MQSA (Mammography Quality Standards Act).

3. Résultats

L'ensemble de données final, DBT-2026, comprend :

• Volume : 558 examens DBT provenant de 558 patients uniques.
• Démographie : Âge moyen de 57,5 ± 11,1 ans. La majorité des patients sont de race blanche (537/558) et non hispaniques (543/558).
• Répartition des scores BI-RADS :
  • Score 0 (anomalie détectée, besoin d'examens supplémentaires) : 325 patients.
  • Score 1 (négatif) : 91 patients.
  • Score 2 (bénin) : 142 patients.
• Répartition des groupes cliniques (Vérité terrain) :
  • Groupe A (Malignité prouvée par biopsie) : 271 patients (48,6 %).
  • Groupe B (Bénin) : 140 patients.
  • Groupe C (Rappel sans cancer) : 115 patients.
  • Groupe D (Bénin prouvé par biopsie) : 32 patients.
• Total des biopsies : 538 biopsies réalisées au sein de la cohorte.

4. Contributions Clés

• Disponibilité publique : C'est l'un des rares ensembles de données DBT publics contenant un nombre significatif de cas de malignités confirmées par biopsie (près de la moitié de la cohorte).
• Qualité des annotations : Les données incluent des annotations structurées de haute qualité (segmentation, mesure) validées par des experts certifiés, ainsi que des rapports radiologiques libres de texte dé-identifiés.
• Accès contrôlé mais gratuit : L'ensemble de données est accessible gratuitement aux chercheurs pour des projets non commerciaux, après signature d'un accord d'utilisation interdisant la réidentification des patients et l'usage clinique.

5. Signification et Impact

La publication de DBT-2026 vise à combler le fossé critique dans les ressources de données pour l'IA en imagerie mammaire. En fournissant un ensemble de données riche en cas de cancers confirmés et en cas de faux positifs (BI-RADS 0), elle permet :

• L'entraînement et la validation de modèles d'IA plus robustes pour la détection et la caractérisation des lésions en DBT.
• La réduction du biais de sélection souvent présent dans les données publiques actuelles (qui manquent de cas malins).
• L'accélération de la recherche translationnelle en oncologie mammaire.

Limites notées : Les données proviennent d'une seule institution (biais potentiel de centre unique) et l'usage commercial est interdit. Cependant, les auteurs proposent d'ouvrir l'accès à une base de données multicentrique plus vaste sur demande pour les chercheurs qualifiés.

Note : Ce document est un préprint (medRxiv) publié le 4 mars 2026 et n'a pas encore été soumis à une revue par les pairs.