Verso la previsione delle variazioni temporali nelle immagini a raggi X del torace di un paziente basate sui Registri Sanitari Elettronici

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

September 11, 2024

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

cs.AI

Abstract

L'imaging a raggi X del torace (CXR) è uno strumento diagnostico importante utilizzato negli ospedali per valutare le condizioni dei pazienti e monitorare i cambiamenti nel tempo. I modelli generativi, in particolare i modelli basati sulla diffusione, hanno mostrato promesse nella generazione di raggi X sintetici realistici. Tuttavia, questi modelli si concentrano principalmente sulla generazione condizionale utilizzando dati di singoli punti temporali, cioè tipicamente CXR acquisiti in un momento specifico con i relativi report, limitando la loro utilità clinica, in particolare per catturare i cambiamenti temporali. Per affrontare questa limitazione, proponiamo un nuovo framework, EHRXDiff, che predice immagini future di CXR integrando CXR precedenti con eventi medici successivi, ad esempio prescrizioni, misure di laboratorio, ecc. Il nostro framework traccia e predice dinamicamente la progressione della malattia basandosi su un modello di diffusione latente, condizionato all'immagine CXR precedente e a un'analisi degli eventi medici. Valutiamo in modo esaustivo le prestazioni del nostro framework su tre aspetti chiave, tra cui coerenza clinica, coerenza demografica e realismo visivo. Dimostriamo che il nostro framework genera immagini future di alta qualità e realistiche che catturano potenziali cambiamenti temporali, suggerendo il suo potenziale per ulteriori sviluppi come strumento di simulazione clinica. Ciò potrebbe offrire preziose intuizioni per il monitoraggio dei pazienti e la pianificazione del trattamento nel campo medico.

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.