Rumo à Previsão de Mudanças Temporais em Imagens de Raio-X do Tórax de um Paciente com Base em Registros Eletrônicos de Saúde

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

Resumo

A imagem de raio-X do tórax (CXR) é uma ferramenta diagnóstica importante utilizada em hospitais para avaliar as condições dos pacientes e monitorar mudanças ao longo do tempo. Modelos generativos, especificamente modelos baseados em difusão, têm mostrado promessa na geração de imagens sintéticas realistas de raios-X. No entanto, esses modelos focam principalmente na geração condicional usando dados de um único ponto no tempo, ou seja, geralmente CXRs tirados em um momento específico com seus relatórios correspondentes, limitando sua utilidade clínica, especialmente para capturar mudanças temporais. Para lidar com essa limitação, propomos um novo framework, EHRXDiff, que prevê imagens futuras de CXR integrando CXRs anteriores com eventos médicos subsequentes, como prescrições, medidas laboratoriais, etc. Nosso framework rastreia e prevê dinamicamente a progressão da doença com base em um modelo de difusão latente, condicionado à imagem de CXR anterior e a um histórico de eventos médicos. Avaliamos abrangentemente o desempenho de nosso framework em três aspectos-chave, incluindo consistência clínica, consistência demográfica e realismo visual. Demonstramos que nosso framework gera imagens futuras de alta qualidade e realistas que capturam possíveis mudanças temporais, sugerindo seu potencial para um desenvolvimento adicional como uma ferramenta de simulação clínica. Isso poderia oferecer insights valiosos para monitoramento de pacientes e planejamento de tratamento no 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.