Vers la prédiction des changements temporels dans les images de radiographie thoracique d'un patient basée sur les dossiers de santé électroniques

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

September 11, 2024

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

cs.AI

Résumé

L'imagerie radiographique du thorax (CXR) est un outil diagnostique important utilisé dans les hôpitaux pour évaluer l'état des patients et surveiller les évolutions au fil du temps. Les modèles génératifs, en particulier les modèles basés sur la diffusion, ont montré des promesses dans la génération de radiographies synthétiques réalistes. Cependant, ces modèles se concentrent principalement sur la génération conditionnelle en utilisant des données ponctuelles, c'est-à-dire généralement des CXR pris à un moment spécifique avec leurs rapports correspondants, limitant leur utilité clinique, en particulier pour capturer les changements temporels. Pour pallier cette limitation, nous proposons un nouveau cadre, EHRXDiff, qui prédit les images CXR futures en intégrant les CXR précédents avec les événements médicaux ultérieurs, tels que les prescriptions, les mesures de laboratoire, etc. Notre cadre suit et prédit dynamiquement la progression de la maladie en se basant sur un modèle de diffusion latent, conditionné à l'image CXR précédente et à un historique d'événements médicaux. Nous évaluons de manière exhaustive les performances de notre cadre selon trois aspects clés, notamment la cohérence clinique, la cohérence démographique et le réalisme visuel. Nous démontrons que notre cadre génère des images futures de haute qualité et réalistes qui capturent les changements temporels potentiels, suggérant son potentiel pour un développement ultérieur en tant qu'outil de simulation clinique. Cela pourrait offrir des perspectives précieuses pour la surveillance des patients et la planification des traitements dans le domaine médical.

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.