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

Este artigo apresenta o DBT-2026, um conjunto de dados público e anonimizado contendo 558 exames de tomografia digital de mama com anotações de especialistas e laudos radiológicos, destinado a fomentar pesquisas em imagem de câncer de mama.

O essencial

Imagine que você está tentando encontrar uma agulha em um palheiro. Agora, imagine que esse "palheiro" é o tecido do seu peito e a "agulha" é um possível câncer. No passado, os médicos usavam uma foto comum (mamografia 2D) para tentar achar essa agulha. O problema é que o tecido do peito é como uma pilha de lenha: às vezes, as peças se sobrepõem e escondem a agulha, ou fazem com que uma sombra pareça uma agulha quando não é.

Aqui entra o DBT-2026, o "herói" desta história.

O Que é o DBT-2026?

Pense no DBT-2026 não como uma foto, mas como um filme em 3D ou um bolo de camadas. Em vez de uma única imagem plana, a máquina tira várias fotos de diferentes ângulos e monta um "bolo" virtual. O médico pode então "cortar" fatias desse bolo para ver exatamente onde está a agulha, sem que o tecido de cima a esconda.

Os autores deste artigo criaram um gigantesco livro de receitas (um conjunto de dados) para ajudar os computadores a aprenderem a achar essas agulhas sozinhos.

A História por Trás dos Dados

Para criar esse livro, os pesquisadores (do Segmed e da iMerit) fizeram o seguinte:

1. A Coleta: Eles pegaram exames reais de 558 mulheres. Imagine que eles entraram em uma biblioteca gigante de arquivos médicos, mas com um cuidado extremo: esqueceram quem eram as pessoas. Todos os nomes, endereços e dados pessoais foram apagados (como se trocassem os rostos das pessoas por máscaras brancas). Isso é para garantir a privacidade total.
2. O Filtro: Eles só escolheram mulheres que foram ao médico para check-up de rotina (rastreamento) e que tinham resultados que variavam de "tudo normal" a "precisa de mais exames".
3. A Verdade Absoluta (Ground Truth): Aqui está a mágica. Em muitos livros de receitas, você não sabe se o bolo ficou bom. Neste caso, eles têm a prova real. Para muitas dessas mulheres, eles fizeram uma biópsia (tiraram um pedacinho do tecido para analisar no microscópio).
   • Alguns tinham câncer (a agulha estava lá).
   • Alguns tinham algo benigno (era apenas uma sombra, nada grave).
   • Isso é crucial porque ensina a Inteligência Artificial a não ter medo de errar.

Quem Analisou?

Imagine que você tem um mapa do tesouro, mas precisa de um especialista para desenhar o "X" que marca o local.

• Eles contrataram radiologistas experientes (especialistas em peito) para olhar cada imagem e marcar exatamente onde estavam as lesões.
• Eles usaram um sistema de "fazedor e verificador": um especialista desenha, outro revisa, e um terceiro (um mestre certificado nos EUA) dá o "ok final". É como ter três chefs de cozinha provando o prato antes de servir.

Por Que Isso é Importante?

Hoje em dia, a Inteligência Artificial (IA) está tentando aprender a ser um "super-radiologista". Mas, para aprender, ela precisa de exemplos reais e muito bem explicados.

• O Problema: Antes, não havia muitos exemplos públicos de exames em 3D com a resposta certa (biópsia) disponível para todos.
• A Solução: O DBT-2026 é como abrir as portas de um museu de arte para todos os artistas do mundo. Agora, pesquisadores de qualquer lugar podem usar esses dados para treinar seus computadores.

As Regras do Jogo

O livro de receitas é grátis, mas com regras estritas:

• Você pode usar para aprender e criar coisas novas (pesquisa).
• Você não pode vender os dados.
• Você não pode tentar descobrir quem são as mulheres por trás das máscaras.
• Você não pode usar isso para tomar decisões médicas reais em pacientes agora (ainda é um projeto de pesquisa).

Em Resumo

Os autores criaram um tesouro de dados que mistura tecnologia de ponta (imagens 3D), privacidade total (dados anonimizados) e precisão cirúrgica (biópsias confirmadas). O objetivo é simples: ensinar as máquinas a serem melhores em encontrar câncer de mama cedo, para que, no futuro, mais mulheres possam ser salvas e menos se preocupem com falsos alarmes.

É como dar a um detetive um mapa 3D perfeito e a resposta do que é crime e o que não é, para que ele nunca mais se perca na investigação.

Resumo técnico

Título do Estudo: DBT-2026: Um conjunto de dados público e desidentificado de exames de tomografia de mama digital com verdade-terrestre de biópsia.

1. O Problema

A mamografia digital em 2D é a modalidade mais comum para rastreamento de câncer de mama, mas enfrenta desafios significativos em mamas densas devido à sobreposição de tecidos, o que pode ocultar lesões ou gerar falsos positivos. A Tomografia de Mama Digital (DBT), ou mamografia 3D, supera essas limitações, melhorando a visibilidade, caracterização e localização de lesões. No entanto, o desenvolvimento de Inteligência Artificial (IA) para DBT é limitado pela escassez de conjuntos de dados públicos bem anotados que possuam verdade-terrestre de alta qualidade (baseada em biópsia). A maioria dos conjuntos de dados públicos existentes possui um número insuficiente de casos de malignidade confirmada, dificultando o treinamento e validação robusta de modelos de IA.

2. Metodologia

O estudo descreve a curadoria, anonimização e estruturação do conjunto de dados DBT-2026:

• Origem dos Dados: Os exames foram obtidos retrospectivamente de um sistema de arquivamento e comunicação de imagens (PACS) hospitalar nos Estados Unidos (região do Meio-Oeste), utilizando o formato DICOM.
• Critérios de Inclusão:
  • Mulheres com 18 anos ou mais.
  • Exames bilaterais contendo pelo menos uma visão oblíqua mediolateral (MLO) e uma visão craniocaudal (CC) para ambas as mamas.
  • Exames de rastreamento com pontuações BI-RADS 0, 1 ou 2.
  • Exclusão de pacientes com implantes, cirurgias anteriores ou histórico de câncer de mama.
  • O conjunto foi enriquecido priorizando pacientes com biópsias que comprovaram malignidade.
• Privacidade e Desidentificação:
  • Todo o Informação de Saúde Protegida (PHI) foi removida.
  • Utilizou-se tecnologia de Reconhecimento Óptico de Caracteres (OCR) para detectar texto embutido nas imagens.
  • Processamento de Linguagem Natural (NLP) e Modelos de Linguagem Grande (LLMs) foram aplicados para remover os 18 identificadores definidos pela HIPAA de relatórios e metadados.
  • Uma avaliação manual por um especialista clínico confirmou a ausência de PHI.
• Anotação e Estruturação:
  • Lesões foram localizadas, caracterizadas, segmentadas e medidas por radiologistas de mama sêniores (treinados em fellowship) baseados na Índia, seguindo um protocolo padronizado desenvolvido por especialistas dos EUA.
  • Foi implementado um fluxo de trabalho de dois passos ("Doer–Checker") para garantir precisão, com revisão secundária para resolver discrepâncias.
  • Uma revisão final de garantia de qualidade foi realizada por um radiologista certificado pela Mammography Quality Standards Act (MQSA) dos EUA.

3. Contribuições Principais

• Disponibilidade Pública: O conjunto de dados é disponibilizado gratuitamente para pesquisadores em projetos não comerciais, visando fomentar a pesquisa em imagem de câncer de mama.
• Verdade-Terrestre Robusta: Diferente de muitos conjuntos públicos, o DBT-2026 possui uma alta proporção de casos com confirmação de biópsia, oferecendo um "ground truth" confiável para treinar algoritmos de detecção.
• Dados Multimodais: Cada caso inclui não apenas as imagens DBT, mas também anotações de especialistas, relatórios de radiologia em texto livre e metadados estruturados.
• Foco em Casos Desafiadores: Inclui pacientes com BI-RADS 0 (que requerem avaliação adicional), um grupo crítico onde a IA pode ter maior impacto clínico.

4. Resultados e Estatísticas do Conjunto de Dados

O conjunto de dados final (DBT-2026) contém:

• 558 exames DBT de 558 pacientes únicas.
• Idade Média: 57,5 ± 11,1 anos.
• Distribuição Demográfica: Predominantemente branca (537), com representatividade de outras etnias e 15 pacientes hispânicos.
• Distribuição BI-RADS:
  • BI-RADS 0: 325 casos (58,2%)
  • BI-RADS 1: 91 casos
  • BI-RADS 2: 142 casos
• Distribuição de Patologia (Grupos):
  • Grupo A (Maligno Biópsia-Confirmado): 271 pacientes (48,6% do total).
  • Grupo B (Benigno): 140 pacientes.
  • Grupo C (Retorno não cancerígeno): 115 pacientes.
  • Grupo D (Benigno Biópsia-Confirmado): 32 pacientes.
• Total de Biópsias Realizadas: 538.

5. Significado e Limitações

• Impacto na IA: Este conjunto de dados é crucial para o treinamento e validação de modelos de IA para detecção e caracterização de câncer de mama em imagens DBT, especialmente para melhorar a precisão em mamas densas e reduzir falsos positivos.
• Limitações:
  • Os dados provêm de um único hospital (potencial viés de seleção).
  • O uso é restrito a fins de pesquisa não comercial.
  • Não pode ser usado para tomada de decisão clínica direta.
• Futuro: Os autores indicam que pesquisadores podem entrar em contato para acessar uma base de dados mais extensa e multicêntrica.

Em resumo, o DBT-2026 preenche uma lacuna crítica na comunidade de pesquisa médica, fornecendo um recurso de alta qualidade, desidentificado e ricamente anotado para acelerar o desenvolvimento de ferramentas de IA assistiva em radiologia mamária.