К Прогнозированию Временных Изменений на Рентгенограммах Грудной Клетки Пациента на Основе Электронных Медицинских Записей

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

September 11, 2024

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

cs.AI

Аннотация

Изображение рентгена грудной клетки (CXR) является важным диагностическим инструментом, используемым в больницах для оценки состояния пациентов и отслеживания изменений со временем. Генеративные модели, в частности модели на основе диффузии, показали перспективу в создании реалистичных синтетических рентгеновских снимков. Однако эти модели в основном сосредотачиваются на условной генерации, используя данные одного временного момента, то есть обычно рентгеновские снимки, сделанные в конкретное время, с соответствующими отчетами, что ограничивает их клиническую полезность, особенно для улавливания временных изменений. Для преодоления этого ограничения мы предлагаем новую структуру, EHRXDiff, которая предсказывает будущие изображения рентгена грудной клетки путем интеграции предыдущих рентгеновских снимков с последующими медицинскими событиями, например, назначениями, лабораторными показателями и т. д. Наша структура динамически отслеживает и предсказывает прогрессирование заболевания на основе латентной модели диффузии, условной по предыдущему изображению рентгена грудной клетки и истории медицинских событий. Мы всесторонне оцениваем производительность нашей структуры по трем ключевым аспектам, включая клиническую согласованность, демографическую согласованность и визуальный реализм. Мы демонстрируем, что наша структура генерирует качественные, реалистичные изображения будущего, которые улавливают потенциальные временные изменения, указывая на ее потенциал для дальнейшего развития в качестве клинического симуляционного инструмента. Это может предложить ценные идеи для мониторинга пациентов и планирования лечения в медицинской области.

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.