Naar het voorspellen van temporele veranderingen in de borst röntgenfoto's van een patiënt op basis van elektronische patiëntendossiers.

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

Samenvatting

Röntgenfoto's van de borstkas (CXR) zijn een belangrijk diagnostisch hulpmiddel dat in ziekenhuizen wordt gebruikt om de toestand van patiënten te beoordelen en veranderingen in de loop van de tijd te volgen. Generatieve modellen, specifiek op diffusie gebaseerde modellen, hebben veelbelovende resultaten laten zien bij het genereren van realistische synthetische röntgenfoto's. Deze modellen richten zich echter voornamelijk op conditionele generatie met behulp van gegevens van één tijdstip, dat wil zeggen meestal CXR's die op een specifiek moment zijn genomen met hun bijbehorende verslagen, waardoor hun klinische bruikbaarheid wordt beperkt, met name voor het vastleggen van temporele veranderingen. Om deze beperking aan te pakken, stellen we een nieuw raamwerk voor, EHRXDiff, dat toekomstige CXR-beelden voorspelt door eerdere CXR's te integreren met daaropvolgende medische gebeurtenissen, zoals recepten, laboratoriummetingen, enz. Ons raamwerk volgt dynamisch de ziekteprogressie en voorspelt deze op basis van een latente diffusiemodel, geconditioneerd door het vorige CXR-beeld en een geschiedenis van medische gebeurtenissen. We evalueren uitgebreid de prestaties van ons raamwerk op drie belangrijke aspecten, waaronder klinische consistentie, demografische consistentie en visuele realisme. We tonen aan dat ons raamwerk hoogwaardige, realistische toekomstige beelden genereert die mogelijke temporele veranderingen vastleggen, wat wijst op het potentieel ervan voor verdere ontwikkeling als een klinisch simulatiehulpmiddel. Dit zou waardevolle inzichten kunnen bieden voor patiëntenmonitoring en behandelplanning in de medische sector.

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.