[论文解读] The EMory BrEast imaging Dataset (EMBED): A Racially Diverse, Granular Dataset of 3.5M Screening and Diagnostic Mammograms

Jiwoong Jeong, Brianna L. Vey+14 more|arXiv (Cornell University)|Feb 8, 2022

AI in cancer detection被引用 5

一句话总结

EMory BrEast imaging Dataset (EMBED) 提供了一个种族多样性丰富、颗粒度精细的350万张2D和DBT筛查及诊断乳腺X线摄影图像集合，来自116,000名女性，白人与非裔美国人患者人数相等，同时包含40,000个病灶标注以及六个严重程度等级的61个真实病理结果。这一大规模、多样化的数据集为开发和验证在乳腺癌影像中公平且抗偏见的人工智能模型提供了支持。

ABSTRACT

Developing and validating artificial intelligence models in medical imaging requires datasets that are large, granular, and diverse. To date, the majority of publicly available breast imaging datasets lack in one or more of these areas. Models trained on these data may therefore underperform on patient populations or pathologies that have not previously been encountered. The EMory BrEast imaging Dataset (EMBED) addresses these gaps by providing 3650,000 2D and DBT screening and diagnostic mammograms for 116,000 women divided equally between White and African American patients. The dataset also contains 40,000 annotated lesions linked to structured imaging descriptors and 61 ground truth pathologic outcomes grouped into six severity classes. Our goal is to share this dataset with research partners to aid in development and validation of breast AI models that will serve all patients fairly and help decrease bias in medical AI.

研究动机与目标

• 解决乳腺癌研究中缺乏大规模、多样化且颗粒度精细的医学影像数据集的问题。
• 通过确保白人与非裔美国人患者在数据中代表性均衡，减少人工智能模型中的偏见。
• 提供详细、结构化的标注，将影像特征与临床结果关联，以提升模型训练与验证的效果。
• 支持开发能够在多样化患者人群中具有良好泛化能力的人工智能模型。

提出的方法

• 从116,000名女性中收集350万张2D和数字化乳腺断层摄影（DBT）乳腺X线摄影图像，白人与非裔美国人患者人数相等。
• 对40,000个病灶进行标注，使用结构化的影像描述符，如形态、边缘和密度。
• 整合61个真实病理结果，按六个严重程度等级分类，包括活检结果和癌症诊断。
• 标准化影像采集协议并对患者数据进行匿名化处理，以保障隐私并提升研究实用性。
• 采用符合DICOM标准的数据格式和元数据标签，以实现与人工智能框架的互操作性。
• 通过安全、受控访问的平台公开发布数据集，以支持伦理且可重复的研究。

实验结果

研究问题

• RQ1 大规模、种族多样化的乳腺X线摄影数据集是否能提升人工智能模型在乳腺癌检测中的公平性与泛化能力？
• RQ2 颗粒度精细的病灶标注与结构化的病理结果如何提升模型的可解释性与性能？
• RQ3 白人与非裔美国人患者在数据中实现均衡代表，在多大程度上能减少人工智能驱动筛查结果中的种族偏见？
• RQ4 诸如肿块形态和边缘特征等影像学特征，在不同人群中的临床严重程度之间存在何种相关性？
• RQ5 同时包含筛查与诊断乳腺X线摄影图像对模型在不同临床工作流程中的鲁棒性有何影响？

主要发现

• EMBED数据集包含来自116,000名女性的350万张乳腺X线摄影图像，白人与非裔美国人患者人数相等。
• 该数据集包含40,000个病灶标注，附带详细的影像描述符，支持精细化的模型训练。
• 提供61个真实病理结果，按六个严重程度等级分类，实现精确的诊断关联。
• 该数据集是目前公开可用的、在种族代表性上保持均衡且具备精细临床标注的最大规模乳腺影像资源。
• 同时包含2D与DBT模态，支持开发适用于当前临床影像实践的模型。
• 该数据集设计为受控访问，以确保患者隐私，同时支持可重复、合乎伦理的人工智能研究。