En CT-datamängd med RECIST-mätningar och omfattande segmenteringsmasker för tumörer och lymfkörtlar

Varför denna resurs för canceravbildning är viktig

Cancervård förlitar sig i allt större utsträckning på medicinska bilder för att avgöra om behandlingar har effekt. De noggranna, snitt‑för‑snitt‑mätningar som läkare gör på CT‑skanningar är dock tidskrävande och kan skilja sig mellan experter. Den här artikeln presenterar en ny, öppet tillgänglig samling CT‑skanningar från cancerpatienter där tumörer och lymfkörtlar noggrant har markerats och mätts enligt ett brett använt kliniskt regelverk. Datamängden är avsedd att hjälpa forskare att bygga och testa datorprogram som en dag kan ta över mycket av detta tråkiga arbete och göra övervakningen av cancerbehandling snabbare och mer konsekvent globalt.

Hur läkare i dag följer tumörer

För att bedöma om en cancerbehandling hjälper följer radiologer ofta en standard som kallas RECIST 1.1. I praktiken innebär det att de väljer ut ett par ”mål”‑tumörer på en patients CT‑skanningar och antecknar den längsta synliga diametern för varje tumör i millimeter. Med tiden jämför de summan av dessa diametrar med tidigare skanningar för att avgöra om sjukdomen har krympt, varit stabil eller växt. Även om detta tillvägagångssätt har infört nödvändig ordning i kliniska prövningar har det också nackdelar: det beror starkt på vilka tumörer läkaren väljer, förlitar sig på endimensionella mätningar i stället för verklig 3‑D‑storlek och tar vanligtvis mer än 10 minuter per patient och bedömning. När cancerfallen ökar i världen sätter dessa begränsningar verklig press på radiologitjänsterna.

Vad den nya CT-datamängden innehåller

Författarna samlade CT‑skanningar från 22 vuxna som behandlats för olika cancerformer på Clinical Hospital of the University of Chile, inklusive lung‑, lever‑, kolorektal, bröst‑, ovarie‑, magsäck‑, gallblåse‑, urinblåsecancer och melanom. Från 58 thorakala och abdominala skanningsserier tagna mellan 2017 och 2023 identifierade de varje solitt tumörfokus eller förstorad lymfkörtel som var tillräckligt stor för att mätas. Sammanlagt ritade de manuellt 1 246 individuella lesioner: 1 148 metastaser (tumörer som spridit sig), 93 förstorade lymfkörtlar och 5 primärtumörer. För 82 av dessa lesioner inkluderade de också de officiella RECIST‑mätningarna som antecknats i kliniska rapporter, vilket möjliggör jämförelse mellan rutinpraxis och automatiserade metoder.

Hur experter och AI samarbetade

Att producera sådana detaljerade konturer vore normalt alltför tidskrävande, så teamet använde en ”människa‑i‑loopen”‑strategi. Erfaren radiologer och underläkare ritade grova 3‑D‑lådor runt misstänkta tumörer, och en kraftfull segmenteringsmodell kallad MedSAM föreslog initiala gränser. Underläkare korrigerade sedan dessa gränser och seniora radiologer gjorde en slutlig granskning. Efter varje parti skanningar tränades AI‑modellen om på de förbättrade konturerna och användes för att hjälpa till med nästa parti. För varje cykel närmade sig dess prestanda det som mänskliga experter skulle godkänna, vilket minskade insatsen som behövdes för fortsatt korrigering samtidigt som noggrannheten bevarades.

Vad data avslöjar om tumörer

Där varje lesion i skanningarna markerats i tre dimensioner kunde författarna studera deras storlekar och densiteter i detalj. De flesta tumörer fanns i lungorna och levern. Lungtumörer tenderade att ha liten volym men ofta relativt långa diametrar, medan lymfkörtlar visade större volymer men något kortare huvuddiametrar än levertumörer. Teamet undersökte också hur ljusa eller mörka dessa regioner framträdde på CT, en egenskap relaterad till vävnadstäthet. Lungtumörer, omgivna av luft, visade mycket annorlunda intensitetsmönster än levertumörer och lymfkörtlar, vilket tyder på att enkla numeriska egenskaper från CT‑bilder kan hjälpa till att särskilja lesionstyper. Viktigt är att studien bekräftade ett starkt samband mellan en lesions längsta diameter och dess verkliga 3‑D‑volym, vilket stödjer idén att diameterbaserade regler som RECIST kan fungera som en praktisk ersättning för fulla volymetriska mätningar när de tillämpas noggrant.

Att pröva datamängden med djupinlärning

För att visa hur datamängden kan användas tränade och förfinade forskarna två typer av djupinlärningssystem. Först finjusterade de MedSAM för att automatiskt segmentera tumörer utifrån enkla begränsande lådor och uppnådde överlappningspoäng med experternas konturer i samma intervall som rapporterats för mycket större internationella datamängder. För det andra anpassade de ett välanvänt ramverk kallat nnUNet, genom att utgå från modeller tränade i globala lung‑ och leveravbildningsutmaningar och sedan finjustera dem på dessa nya chilenska data. Efter finjusteringen matchade eller överträffade systemen sina ursprungliga prestanda, särskilt för lungtumörer, trots att patientkohorten var relativt liten. Detta visar att noggrant kuraterade lokala data kan avsevärt förbättra pålitligheten hos AI‑verktyg i en specifik sjukhusmiljö.

Vad detta betyder för framtidens cancervård

För icke‑specialister är huvudbudskapet att denna datamängd är ett möjliggörande verktyg, inte en diagnosprodukt i sig. Genom att öppet dela CT‑skanningar där varje synlig tumör och lymfkörtel har markerats och i många fall noggrant mätts, ger författarna en realistisk träningsmiljö för algoritmer som syftar till att automatisera tumörövervakning. Sådana verktyg skulle kunna hjälpa radiologer att ägna mindre tid åt manuella mätningar och mer tid åt komplexa bedömningar, samtidigt som variationen mellan läsare minskas. Eftersom data kommer från ett latinamerikanskt sjukhus och släpps under en tillåtande licens bidrar de också till att framtida medicinsk AI testas på mer olika patientgrupper, vilket ökar sannolikheten att automatiserad cancerövervakning fungerar pålitligt för människor över hela världen.

Citering: Rojas-Pizarro, R., Vásquez-Venegas, C., Pereira, G. et al. A CT Dataset with RECIST Measurements and Comprehensive Segmentation Masks for Tumors and Lymph Nodes. Sci Data 13, 270 (2026). https://doi.org/10.1038/s41597-026-06597-6

Nyckelord: canceravbildning, CT-skanningar, tumörsegmentering, RECIST, medicinska AI-datamängder