전자 의료 기록을 기반으로 환자의 흉부 X-선 이미지의 시간적 변화를 예측하는 방향으로

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

September 11, 2024

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

cs.AI

초록

흉부 X-선 영상(CXR)은 환자 상태를 평가하고 시간이 지남에 따른 변화를 모니터링하는 병원에서 중요한 진단 도구로 사용됩니다. 생성 모델 중 확산 기반 모델은 현실적인 합성 X-선을 생성하는 데 유망성을 보여주었습니다. 그러나 이러한 모델은 주로 조건 생성에 초점을 맞추며, 일반적으로 특정 시점에 촬영된 CXR 및 해당 보고서를 사용하여 단일 시간점 데이터를 활용하므로, 임상적 유효성을 제한하며 특히 시간적 변화를 포착하는 데 어려움이 있습니다. 이 한계를 해결하기 위해 이전 CXR과 후속 의료 사건(처방, 검사 결과 등)을 통합하여 미래 CXR 이미지를 예측하는 새로운 프레임워크인 EHRXDiff를 제안합니다. 저희 프레임워크는 이전 CXR 이미지와 의료 사건 이력을 조건으로 하는 잠재 확산 모델을 기반으로 질병 진행을 동적으로 추적하고 예측합니다. 우리는 임상 일관성, 인구 통계학적 일관성 및 시각적 현실성을 포함한 세 가지 주요 측면에서 우리 프레임워크의 성능을 포괄적으로 평가합니다. 우리의 프레임워크가 잠재적인 시간적 변화를 포착하는 고품질이고 현실적인 미래 이미지를 생성한다는 것을 입증하여, 임상 시뮬레이션 도구로의 추가 개발 가능성을 시사합니다. 이는 의료 분야에서 환자 모니터링 및 치료 계획을 위한 가치 있는 통찰력을 제공할 수 있습니다.

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.