CSAW-CC (mammografi) – ett dataset för AI-forskning för att förbättra screening, diagnostik och prognostik för bröstcancer

Detta dataset innehåller röntgenbilder, mammografi, från bröstcancerscreening på Karolinska Universitetssjukhuset för perioden november 2008 till december 2015. Datasetet har sammanställts med syftet att utföra AI-forskning för att förbättra screening, diagnostik och prognostik för bröstcancer. Datasetet bygger på ett urval av individer med och utan bröstcancerdiagnos som är hämtat från ett mer omfattande källdataset. Källdatasetet innehåller bröstcancerdiagnosfall för 1 103 individer, där följande ej är inkluderade: de vars ålder är utanför screeningintervallet 40 till 74 år, de som saknar komplett screeningundersökning. Från källdatasetet har ett slumpmässigt urval av 873 fall med bröstcancerdiagnos inkluderats i det publicerade datasetet. Källdatasetet innehåller vidare ett slumpmässigt urval av 10 000 friska individer som inte fått bröstcancerdiagnos år 2018 eller tidigare. Från källdatasetet har ett slumpmässigt urval av 7 850 friska individer inkluderats i det publicerade datasetet. För varje individ är samtliga mammografier inkluderade från 2008 fram till diagnos eller senast 31 december 2015. Utöver mammografibilderna finns annoteringsbilder där en bröstradiolog har annoterat tumörens utbredning på pixelnivå (små förändringar som t.ex. förkalkningar har annoterats som ett område). Även mammografibilden för föregående screening granskades och om tumörtecken var synliga annoterades de även där. Om inga tumörtecken var synliga markerades motsvarande lokalisation med en punkt. Utöver bilder finns även parametriska data som kommer från Karolinska Universitetssjukhuset men inhämtats via Regionalt Cancer Centrum Stockholm Gotland. Dessa data innehåller information om kvinnans ålder vid mammografi, tid från bild till diagnos, tumörstorlek, histologi och lymfkörtelmetastas. Parametriska data har begränsats, kategoriserats, och perturberats för att säkerställa anonymiteten (se vidare i bilaga). Tillgängliga filer: - CSV: Följande data är inkluderade (om relevant): cancer ja/nej (d.v.s. bröstcancer 2008 till 2015), åldersgrupp, dagar från mammografibild till diagnos (om någon), cancerhistologi, cancerns storleksgrupp, ipsilateral axillär lymfkörtelmetastas. Det finns en csv-fil för hela datasetet, med en rad per bild. Om någon cancerdiagnos erhållits är denna information upprepad för alla rader - även för de som hör till undersökning före diagnos. För varje undersökningsdatum finns bedömning av radiolog 1, av radiolog 2 samt consensusbeslut. - DICOM-filer: Mammografibilder. För varje screening finns de fyra standardbilderna: vänster/höger, mediolateral oblik och kraniokaudal. Det ska därmed finnas fyra filer per examinationsdatum. - PNG: Cancer-annoteringar. För varje DICOM bild där en tumör kan visualiseras. Åtkomst: Datasetet är tillgängligt efter förfrågan på grund av materialets storlek. Bildmaterialet i form av DICOM-filer och PNG-filer omfattar ca 2,5 TB. Önskas endast tillgång till CSV-filen med parametriska data finns den att ladda ned som tillhörande dokumentation.