BreastDCEDL: En standardiserad DCE-MRI-dataset för bröst, redo för djupinlärning, med 2 070 patienter

Varför detta spelar roll för bröstcancervård

När någon får diagnosen bröstcancer måste läkare snabbt avgöra vilka behandlingar som troligen fungerar bäst. Kraftfulla MR-undersökningar kan visa hur en tumör beter sig, men att omvandla dessa bilder till pålitliga datorbaserade verktyg för att vägleda behandling har varit svårt. Denna artikel presenterar BreastDCEDL, en stor och omsorgsfullt förberedd samling bröst-MR-bilder som är särskilt framtagen för att hjälpa forskare att bygga och testa artificiell intelligens (AI) som kan förutsäga hur tumörer kommer att svara på behandling.

Att se tumörer förändras över tid

Läkare använder ofta en speciell typ av MR som kallas dynamisk kontrastförstärkt MR (DCE-MR) för att studera brösttumörer. Vid denna undersökning tas bilder före och efter att ett kontrastmedel injicerats, vilket fångar hur blodflödet genom tumören förändras över flera minuter. Cancervävnad har ofta läckande, oordnade blodkärl, så den lyser upp och avtar på andra sätt än normal vävnad. Dessa tidserie-bilder kan avslöja hur aggressiv en tumör är och kan hjälpa till att förutsäga om den kommer att försvinna helt efter kraftfulla läkemedel som cytostatika.

Att omvandla spridda skanningsdata till en tydlig resurs

Tills nu har framsteg inom AI för bröst-MR försvårats av spridda data: olika sjukhus lagrar bilder i olika format, använder olika skannrar och dokumenterar kliniska uppgifter på olika sätt. BreastDCEDL-projektet tog sig an detta problem genom att samla före-behandlings DCE-MR från 2 070 patienter i tre stora forskningsgrupper kända som I-SPY1, I-SPY2 och Duke. Teamet konverterade mer än 8,5 miljoner individuella bildskivor till drygt elva tusen 3D-volymer i ett standardiserat format som är vanligt inom medicinsk bildforskningsvärlden. De sorterade också bilderna noggrant i tid (före kontrast, tidigt efter och senare efter) och i rummet, så att varje patients skanningar ligger korrekt i förhållande till varandra.

Att markera tumörerna och koppla till fakta

För att AI ska kunna lära måste den veta var tumören finns och vad som hände med patienten. I BreastDCEDL har varje patient tumörmarkeringar och nyckelklinisk information. För I-SPY-grupperna avkodades komplexa datorbeskrivningar av tumörkonturer till enkla 3D-masker som markerar tumörområden voxel för voxel. För Duke-gruppen ritade erfarna radiologer avgränsande rutor kring den största tumören i varje fall. Tillsammans med bilderna innehåller datasetet patientens ålder, grundläggande demografiska uppgifter, tumörstorlek, hormonreceptorstatus (HR), HER2-status och om tumören försvann helt efter behandlingen — ett resultat som kallas patologisk komplett respons, eller pCR. Detta utfall, tillgängligt för 1 452 patienter, är starkt kopplat till långtidsöverlevnad och är ett centralt mål för prediktionsmodeller.

Att skapa rättvisa tester för AI-verktyg

För att göra det lätt att jämföra nya AI-metoder tillhandahåller författarna fasta tränings-, validerings- och testgrupper med liknande pCR-frekvenser i dem. Det innebär att olika forskargrupper kan testa sina modeller på exakt samma patientuppsättningar, vilket gör prestandapåståenden mer tillförlitliga. Datasetet bevarar också den naturliga variation som ses på riktiga sjukhus: skanningar kommer från många center, olika MR-maskiner och något olika definitioner av HR- och HER2-positivitet. Istället för att jämna ut dessa skillnader dokumenterar BreastDCEDL dem tydligt, så att forskare kan bestämma hur de vill hantera dem och testa om deras modeller fortfarande fungerar över varierande patientpopulationer och skanningsförhållanden.

Vad detta öppnar för framtida forskning

BreastDCEDL är mer än bara en uppsättning bilder; det är ett välorganiserat verktyg för många typer av studier. Forskare kan träna AI-system för att lokalisera tumörer, mäta tumörvolym, förutsäga pCR innan behandling påbörjas och utforska hur bildmönster relaterar till tumörbiologi. Patienter utan utfallsdata bidrar ändå genom att ge extra exempel för osupervisad och semisupervisad inlärning. Eftersom alla filer följer ett enkelt namnsystem och ett gemensamt format kan forskare snabbt ladda och analysera dem med standardprogramvara, vilket sparar dagar av manuella förberedelser och minskar risken för fel.

En tydligare väg mot individualiserad behandling

Enkelt uttryckt förvandlar detta arbete en rörig samling bröst-MR-skanningar från flera sjukhus till en ren, delad grund för AI-forskning. Genom att standardisera hur bilder och klinisk information lagras, och genom att konsekvent markera tumörer och utfall, ger BreastDCEDL forskare vad de behöver för att bygga och rättvist testa datorverktyg som en dag kan hjälpa läkare att välja rätt behandling för varje patient. Även om det i sig inte botar cancer, tar det bort ett stort hinder på vägen mot mer precis, datadriven bröstcancervård.

Citering: 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

Nyckelord: bröst-MR, canceravbildning, medicinsk AI, behandlingssvar, medicinska dataset