Richtung Vorhersage zeitlicher Veränderungen in Brust-Röntgenbildern eines Patienten basierend auf elektronischen Gesundheitsakten

Towards Predicting Temporal Changes in a Patient's Chest X-ray Images based on Electronic Health Records

September 11, 2024

Autoren: Daeun Kyung, Junu Kim, Tackeun Kim, Edward Choi

cs.AI

Zusammenfassung

Die Thorax-Röntgenbildgebung (CXR) ist ein wichtiges diagnostisches Instrument, das in Krankenhäusern zur Beurteilung von Patientenzuständen und zur Überwachung von Veränderungen im Laufe der Zeit eingesetzt wird. Generative Modelle, insbesondere auf Diffusion basierende Modelle, haben das Potenzial gezeigt, realistische synthetische Röntgenbilder zu erzeugen. Diese Modelle konzentrieren sich jedoch hauptsächlich auf die bedingte Generierung unter Verwendung von Einzelzeitpunkt-Daten, d.h. in der Regel CXRs, die zu einem bestimmten Zeitpunkt aufgenommen wurden, mit ihren entsprechenden Berichten, was ihre klinische Nützlichkeit einschränkt, insbesondere für die Erfassung zeitlicher Veränderungen. Um diese Einschränkung zu überwinden, schlagen wir ein neuartiges Framework namens EHRXDiff vor, das zukünftige CXR-Bilder vorhersagt, indem es frühere CXRs mit nachfolgenden medizinischen Ereignissen, z.B. Verschreibungen, Laborwerten usw., integriert. Unser Framework verfolgt und sagt die Krankheitsprogression dynamisch vorher, basierend auf einem latenten Diffusionsmodell, das auf dem vorherigen CXR-Bild und einer Historie von medizinischen Ereignissen beruht. Wir evaluieren umfassend die Leistungsfähigkeit unseres Frameworks in drei Schlüsselaspekten, einschließlich klinischer Konsistenz, demografischer Konsistenz und visueller Realität. Wir zeigen, dass unser Framework hochwertige, realistische zukünftige Bilder erzeugt, die potenzielle zeitliche Veränderungen erfassen, was auf sein Potenzial für die weitere Entwicklung als klinisches Simulationstool hinweist. Dies könnte wertvolle Einblicke für die Patientenüberwachung und Behandlungsplanung im medizinischen Bereich bieten.

English

Chest X-ray imaging (CXR) is an important diagnostic tool used in hospitals to assess patient conditions and monitor changes over time. Generative models, specifically diffusion-based models, have shown promise in generating realistic synthetic X-rays. However, these models mainly focus on conditional generation using single-time-point data, i.e., typically CXRs taken at a specific time with their corresponding reports, limiting their clinical utility, particularly for capturing temporal changes. To address this limitation, we propose a novel framework, EHRXDiff, which predicts future CXR images by integrating previous CXRs with subsequent medical events, e.g., prescriptions, lab measures, etc. Our framework dynamically tracks and predicts disease progression based on a latent diffusion model, conditioned on the previous CXR image and a history of medical events. We comprehensively evaluate the performance of our framework across three key aspects, including clinical consistency, demographic consistency, and visual realism. We demonstrate that our framework generates high-quality, realistic future images that capture potential temporal changes, suggesting its potential for further development as a clinical simulation tool. This could offer valuable insights for patient monitoring and treatment planning in the medical field.