arXiv cs.AI· Ruting Cheng, Boyuan Feng, Yijiang Zheng, Chuhui Qiu, Aizierjiang Aiersilan, Joaquin A. Calderon, Wentao Zhao, Qing Pan, James K. Hahn·· 11 小时前AI 评分26
MvBody：基于多视角混合 Transformer 与光学 3D 体扫描的可解释剖宫产预测
MvBody: Multi-View-Based Hybrid Transformer Using Optical 3D Body Scan for Explainable Cesarean Section Prediction
AI 导读
MvBody 是一种多视角 Transformer 网络，仅用自我报告的医疗数据和孕 31-38 周采集的 3D 光学体扫描即可预测剖宫产风险，在独立测试集上达到 84.62% 准确率和 0.724 的 AUC-ROC，优于常用机器学习模型和最新 3D 分析方法。
正文 · AI 翻译
摘要：准确评估剖宫产（CS）分娩风险至关重要，尤其是在医疗资源有限、就医途径常受限制的环境中。早期可靠的风险预测有助于做出更明智的产前护理决策，并可改善母婴结局。然而，现有大多数预测模型都是为分娩期间的院内使用而量身定制，且依赖于在资源有限或居家环境中往往无法获得的参数。在本研究中，我们开展了一项初步探索，考察利用 3D 体形进行 CS 风险评估的可行性，以便未来应用于更经济实惠的通用设备。我们提出了一种新颖的基于多视图的 Transformer 网络 MvBody，它仅使用自我报告的医疗数据以及在妊娠第 31 至 38 周之间获得的 3D 光学身体扫描来预测 CS 风险。为提高数据稀缺环境下的训练效率和模型泛化能力，我们在网络中引入了度量学习损失。与广泛使用的机器学习模型和最新的先进 3D 分析方法相比，我们的方法表现出更优的性能，在独立测试集上达到 84.62% 的准确率和 0.724 的受试者工作特征曲线下面积（AUC-ROC）。为提高模型预测的透明度和可信度，我们应用积分梯度算法，为模型的决策过程提供有理论依据的解释。我们的结果表明，孕前体重、产妇年龄、产科病史、既往 CS 史以及体形（尤其是头部和肩部周围）是 CS 风险预测的关键贡献因素。
| 评论： | 19 页，4 幅图 |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI）；图形学（cs.GR）；机器学习（cs.LG）；多媒体（cs.MM） |
| MSC 分类号： | 68T10, 68T45 |
| 引用为： | arXiv:2511.03212 [cs.CV] |
| （或 arXiv:2511.03212v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2511.03212 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Ruting Cheng [查看电子邮件]
[v1]
2025 年 11 月 5 日星期三 06:02:48 UTC（6,836 KB）
来源：arXiv cs.AI · arxiv.org