Hacia la predicción de cambios temporales en las imágenes de radiografías de tórax de un paciente basada en registros de salud electrónicos.

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

September 11, 2024

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

cs.AI

Resumen

La imagen de rayos X de tórax (CXR) es una herramienta diagnóstica importante utilizada en hospitales para evaluar las condiciones de los pacientes y monitorear los cambios con el tiempo. Los modelos generativos, específicamente los modelos basados en difusión, han demostrado promesa en la generación de rayos X sintéticos realistas. Sin embargo, estos modelos se centran principalmente en la generación condicional utilizando datos de un único punto temporal, es decir, típicamente CXRs tomados en un momento específico con sus informes correspondientes, lo que limita su utilidad clínica, especialmente para capturar cambios temporales. Para abordar esta limitación, proponemos un nuevo marco, EHRXDiff, que predice imágenes futuras de CXR integrando CXRs anteriores con eventos médicos posteriores, como prescripciones, medidas de laboratorio, etc. Nuestro marco realiza un seguimiento dinámico y predice la progresión de la enfermedad basándose en un modelo de difusión latente, condicionado a la imagen de CXR previa y un historial de eventos médicos. Evaluamos exhaustivamente el rendimiento de nuestro marco en tres aspectos clave, incluyendo consistencia clínica, consistencia demográfica y realismo visual. Demostramos que nuestro marco genera imágenes futuras de alta calidad y realistas que capturan posibles cambios temporales, lo que sugiere su potencial para un mayor desarrollo como herramienta de simulación clínica. Esto podría ofrecer información valiosa para el monitoreo de pacientes y la planificación del tratamiento en el campo médico.

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.