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

Resumo Técnico: Um Conjunto de Dados de Citologia de Lâmina Inteira de FNAC de Mama Multi-Centro para Classificação por Patches Assistida por IA

Definição do Problema
O câncer de mama continua sendo uma das principais causas de morbidade e mortalidade globalmente, exigindo diagnóstico precoce e preciso. A Citologia por Aspiração de Agulha Fina (FNAC) é uma ferramenta crítica, minimamente invasiva, para a avaliação inicial de lesões, particularmente em ambientes com recursos limitados. No entanto, a interpretação citológica é complexa devido à sobreposição de características entre lesões benignas, atípicas e malignas. Embora o Sistema Yokohama da Academia Internacional de Citologia (IAC) padronize o relatório em cinco categorias (C1–C5), o desenvolvimento de modelos de Inteligência Artificial (IA) robustos para auxiliar nesta classificação é dificultado pela falta de conjuntos de dados de grande escala, multi-centros e bem anotados. Os recursos existentes frequentemente dependem de histopatologia ou de características nucleares extraídas, em vez de imagens de lâmina inteira (WSIs) com rótulos de nível de patch para C1–C5, o que limita a capacidade de avaliar sistemas de IA para o relato padrão de FNAC de mama.

Metodologia
Os autores construíram um conjunto de dados prospectivo e multi-centro envolvendo 321 pacientes e 470 imagens de lâmina inteira (WSIs) coletadas em 13 centros médicos terciários na Índia entre maio de 2023 e março de 2026.

• Aquisição de Dados: As amostras de FNAC foram preparadas utilizando protocolos de coloração de Papanicolaou (PAP) e May–Grünwald–Giemsa (MGG). Todas as lâminas foram digitalizadas com ampliação de 40× (0,25 mícrons/pixel) usando um único scanner Hamamatsu NanoZoomer S360 para minimizar a variabilidade relacionada ao scanner, resultando em 190 WSIs coradas com PAP e 280 WSIs coradas com MGG no formato NDPI.
• Anotação e Extração: Regiões diagnosticamente relevantes foram identificadas manualmente por patologistas. Anotações de caixas delimitadoras retangulares (bounding boxes) foram criadas no QuPath e exportadas como arquivos GeoJSON. Essas anotações foram mapeadas para as cinco categorias da IAC (C1–C5), representadas por numerais romanos I–V.
• Geração de Patches: De 446 das 470 WSIs anotadas, 7.398 patches de imagem foram extraídos. Esses patches correspondem exatamente às regiões anotadas e foram salvos como arquivos PNG.
• Processo de Rotulagem: Os rótulos dos patches foram atribuídos independentemente no nível do patch por um patologista e, posteriormente, verificados por um patologista sênior. Os rótulos não foram simplesmente herdados do diagnóstico ao nível da lâmina, mas foram específicos ao conteúdo citomorfológico de cada patch.
• Liberação de Dados: O conjunto de dados inclui as WSIs NDPI originais, arquivos de anotação GeoJSON, patches PNG extraídos, metadados desidentificados (paciente, lâmina, local e resumos de classe), um dicionário de dados e um manifesto vinculando os arquivos aos registros do Zenodo.

Principais Contribuições

1. Diversidade Multi-Centro: O conjunto de dados captura a variabilidade na população de pacientes, preparação de amostras e características de coloração em 13 centros médicos indianos, abordando a necessidade de dados de treinamento diversos.
2. Rótulos de Nível de Patch C1–C5: Diferente de conjuntos de dados anteriores que frequentemente utilizam rótulos binários benigno/maligno ou características baseadas em histologia, este recurso fornece rótulos C1–C5 verificados por especialistas para 7.398 patches de imagem específicos, permitindo tarefas de classificação de granularidade fina alinhadas com os padrões de relato clínico.
3. Rastreabilidade: A liberação mantém uma linhagem clara desde os patches individuais de volta às suas WSIs de origem e coordenadas espaciais via arquivos GeoJSON e organização de diretórios estruturada, facilitando a pesquisa reprodutível.
4. Metadados Abrangentes: A liberação inclui metadados detalhados sobre tipos de coloração, grupos diagnósticos e locais de coleta, juntamente com resumos de validação e código para inspeção do conjunto de dados e treinamento de modelos de linha de base.

Resultados e Estatísticas do Conjunto de Dados
O conjunto de dados final compreende:

• 321 Pacientes e 470 WSIs.
• 7.398 Patches Extraídos distribuídos entre as cinco categorias:
  • C1 (Insuficiente): 33 patches
  • C2 (Benigno): 3.706 patches
  • C3 (Atípico): 478 patches
  • C4 (Suspeito de Malignidade): 402 patches
  • C5 (Maligno): 2.779 patches
• Tamanho Total: Aproximadamente 950 GB, distribuídos em 21 registros do Zenodo para acomodar os limites de tamanho de arquivo.
• Validação: A validação técnica confirmou a completude das 470 WSIs, a legibilidade dos arquivos GeoJSON, a integridade dos 7.398 patches PNG e a consistência dos metadados. Verificações de desidentificação garantiram a remoção de identificadores diretos de pacientes.

Significância e Alegações
O artigo posiciona este conjunto de dados como um recurso fundamental para preencher a lacuna entre a citologia digital e o suporte à decisão assistida por IA. Os autores alegam que, ao fornecer tanto as imagens de lâmina inteira quanto os rótulos de nível de patch verificados por especialistas, o conjunto de dados permite experimentos diretos de classificação por patch enquanto retém o contexto espacial.

Os autores explicitamente observam que o conjunto de dados é "diagnosticamente enriquecido" porque os patches foram selecionados manualmente de regiões interpretáveis em vez de serem amostrados exaustivamente, o que significa que ele não representa todos os elementos citológicos em uma lâmina. Eles alertam que a categoria C1 está sub-representada e que o desequilíbrio de classes deve ser considerado no desenvolvimento de modelos. Além disso, os autores enfatizam que os rótulos de nível de patch servem como padrões de referência verificados por especialistas para classificação citomorfológica, mas não devem ser interpretados como diagnósticos finais ao nível do paciente, que requerem integração com história clínica e achados radiológicos. A principal significância reside em fornecer um benchmark multi-centro padronizado para facilitar o desenvolvimento e a avaliação reprodutível de modelos de IA para o relato de FNAC de mama.