Risk Estimation of Knee Osteoarthritis Progression via Predictive Multi-task Modelling from Efficient Diffusion Model using X-ray Images

要約

医療イメージングは​​、早期発見と疾患の監視を可能にすることにより、膝の変形性関節症（OA）リスクを評価する上で重要な役割を果たします。
最近の機械学習方法により、医療画像を使用したリスク推定（つまり、疾患の進行の可能性の予測）と予測モデリング（つまり、現在のデータに基づく将来の結果の予測）が改善されましたが、臨床採用は解釈可能性の欠如のために限られています。
リスク推定のために将来の画像を生成する既存のアプローチは、複雑で非現実的です。
さらに、以前の方法は解剖学的膝のランドマークをローカライズすることができず、解釈可能性が制限されています。
これらのギャップは、将来の膝のOAの重症度を分類し、効率的に生成された高品質の将来の画像から解剖学的膝のランドマークを予測するマルチタスク予測モデリングを介して膝OAの進行のリスクを推定するための新しい解釈可能な機械学習方法で対処します。
このような画像の生成は、クラスコンディショニングされた潜在空間で拡散モデルを活用して疾患の進行を予測することで達成され、特定の健康状態がどのように進化するかを視覚的に表現します。
変形性関節症のイニシアチブデータセットに適用されるこのアプローチは、最先端（SOTA）を2 \％改善し、膝OAの進行を予測しながら0.71のAUCを達成し、〜9％速い推論時間を提供します。

要約(オリジナル)

Medical imaging plays a crucial role in assessing knee osteoarthritis (OA) risk by enabling early detection and disease monitoring. Recent machine learning methods have improved risk estimation (i.e., predicting the likelihood of disease progression) and predictive modelling (i.e., the forecasting of future outcomes based on current data) using medical images, but clinical adoption remains limited due to their lack of interpretability. Existing approaches that generate future images for risk estimation are complex and impractical. Additionally, previous methods fail to localize anatomical knee landmarks, limiting interpretability. We address these gaps with a new interpretable machine learning method to estimate the risk of knee OA progression via multi-task predictive modelling that classifies future knee OA severity and predicts anatomical knee landmarks from efficiently generated high-quality future images. Such image generation is achieved by leveraging a diffusion model in a class-conditioned latent space to forecast disease progression, offering a visual representation of how particular health conditions may evolve. Applied to the Osteoarthritis Initiative dataset, our approach improves the state-of-the-art (SOTA) by 2\%, achieving an AUC of 0.71 in predicting knee OA progression while offering ~9% faster inference time.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google