BreastDCEDL: Um conjunto padronizado de DCE-MRI de mama pronto para deep learning com 2.070 pacientes

Por que isso importa para o cuidado do câncer de mama

Quando alguém recebe diagnóstico de câncer de mama, os médicos precisam decidir rapidamente quais tratamentos têm maior probabilidade de funcionar. Exames de ressonância magnética poderosos podem mostrar como um tumor se comporta, mas transformar essas imagens em ferramentas computacionais confiáveis para orientar o tratamento tem sido difícil. Este artigo apresenta o BreastDCEDL, uma grande coleção cuidadosamente preparada de exames de ressonância magnética da mama projetada especificamente para ajudar pesquisadores a construir e testar sistemas de inteligência artificial (IA) que preveem como os tumores responderão à terapia.

Ver a mudança dos tumores ao longo do tempo

Os médicos costumam usar um tipo especial de ressonância chamado ressonância magnética com contraste dinâmico (DCE-MRI) para visualizar tumores mamários. Nesse exame, imagens são feitas antes e depois da injeção de um contraste, capturando como o sangue percorre o tumor ao longo de vários minutos. Tecidos cancerosos tendem a ter vasos sanguíneos mais permeáveis e desorganizados, por isso se iluminam e apagam de forma diferente do tecido normal. Essas imagens em lapso de tempo podem revelar quão agressivo é um tumor e podem ajudar a prever se ele desaparecerá completamente após medicamentos potentes, como a quimioterapia.

Transformando exames dispersos em um recurso único e claro

Até agora, o avanço da IA para DCE-MRI de mama foi retardado por dados dispersos: hospitais diferentes armazenam imagens em formatos distintos, usam aparelhos variados e registram detalhes clínicos de maneiras diferentes. O projeto BreastDCEDL enfrentou esse problema reunindo exames pré-tratamento de DCE-MRI de 2.070 pacientes de três grandes grupos de pesquisa conhecidos como I-SPY1, I-SPY2 e Duke. A equipe converteu mais de 8,5 milhões de fatias de imagem individuais em pouco mais de onze mil volumes 3D usando um formato padrão amplamente usado em pesquisa de imagem médica. Eles também organizaram as imagens no tempo (antes do contraste, logo após e mais tarde) e no espaço, de modo que os exames de cada paciente fiquem corretamente alinhados.

Marcando os tumores e vinculando os fatos

Para a IA aprender, é preciso saber onde está o tumor e o que aconteceu com o paciente. No BreastDCEDL, cada paciente tem marcações do tumor e informações clínicas chave. Para os grupos I-SPY, códigos computacionais complexos que descreviam os contornos tumorais foram decodificados em máscaras 3D simples que marcam as áreas tumorais voxel a voxel. Para o grupo Duke, radiologistas especialistas desenharam caixas delimitadoras ao redor do maior tumor em cada caso. Junto às imagens, o conjunto de dados inclui idade do paciente, detalhes demográficos básicos, tamanho do tumor, status de receptores hormonais (HR), status HER2 e se o tumor desapareceu completamente após o tratamento — um resultado chamado resposta patológica completa, ou pCR. Esse desfecho, disponível para 1.452 pacientes, está fortemente ligado à sobrevida a longo prazo e é um alvo principal para modelos preditivos.

Construindo testes justos para ferramentas de IA

Para facilitar a comparação de novos métodos de IA, os autores fornecem grupos fixos de treino, validação e teste, com taxas de pCR semelhantes entre eles. Isso permite que diferentes equipes de pesquisa testem seus modelos nos mesmos conjuntos de pacientes, tornando as reivindicações de desempenho mais confiáveis. O conjunto de dados também preserva a variedade natural vista em hospitais reais: exames vêm de muitos centros, de diferentes aparelhos de ressonância e de definições ligeiramente distintas de positividade para HR e HER2. Em vez de eliminar essas diferenças, o BreastDCEDL as registra claramente, para que os pesquisadores possam decidir como tratá-las e testar se seus modelos continuam funcionando em populações de pacientes e condições de exame variadas.

O que isso desbloqueia para pesquisas futuras

BreastDCEDL é mais do que um conjunto de imagens; é uma caixa de ferramentas bem organizada para muitos tipos de estudo. Pesquisadores podem treinar sistemas de IA para localizar tumores, medir volume tumoral, prever pCR antes do início do tratamento e explorar como padrões de imagem se relacionam com a biologia tumoral. Pacientes sem dados de desfecho ainda ajudam ao fornecer exemplos adicionais para aprendizado não supervisionado e semi-supervisionado. Como todos os arquivos seguem um sistema simples de nomenclatura e um formato comum, os cientistas podem carregar e analisar rapidamente os dados com software padrão, economizando dias de preparação manual e reduzindo a chance de erros.

Um caminho mais claro rumo ao tratamento personalizado

Em termos simples, este trabalho transforma uma coleção desorganizada de exames de ressonância magnética da mama de múltiplos hospitais em uma base limpa e compartilhada para pesquisa em IA. Ao padronizar como imagens e informações clínicas são armazenadas, e ao marcar tumores e desfechos de forma consistente, o BreastDCEDL dá aos pesquisadores o que eles precisam para construir e testar de maneira justa ferramentas computacionais que, um dia, podem ajudar médicos a escolher o tratamento certo para cada paciente. Embora não cure o câncer por si só, remove um grande obstáculo no caminho para um cuidado do câncer de mama mais preciso e orientado por dados.

Citação: Fridman, N., Solway, B., Fridman, T. et al. BreastDCEDL: A standardized deep learning-ready breast DCE-MRI dataset of 2,070 patients. Sci Data 13, 264 (2026). https://doi.org/10.1038/s41597-026-06589-6

Palavras-chave: ressonância magnética da mama, imagens de câncer, IA médica, resposta ao tratamento, conjuntos de dados médicos