基于光学3D体扫描的母婴健康状态评估
机器学习
2025-12-18 v2
摘要
监测妊娠期间的母婴健康状况对于预防不良结局至关重要。虽然超声波检查等检测手段准确性高，但成本高昂且不便。远程医疗和更易获取的体形信息为孕妇提供了便利的健康监测方式。本研究探讨了在妊娠第18-24周捕获3D体扫描数据，用于预测妊娠不良结局并估计临床参数的潜力。我们开发了一种新型算法，包含两个平行的流用于提取体形特征：一个用于监督学习提取腹围的顺序信息，另一个用于无监督学习提取全局形状描述符，另外还有一个分支用于人口学数据。我们的结果表明，3D体形数据可用于预测早产 Labor、妊娠糖尿病（GDM）、妊娠高血压（GH），以及估计胎儿体重。与其他机器学习模型相比，我们的算法取得了最佳性能，预测准确率超过88%，胎儿体重估计准确率达76.74%（在10%误差范围内），超越传统人体测量方法的22.22%。
引用
@article{arxiv.2504.05627,
title = {Maternal and Fetal Health Status Assessment by Using Machine Learning on Optical 3D Body Scans},
author = {Ruting Cheng and Yijiang Zheng and Boyuan Feng and Chuhui Qiu and Zhuoxin Long and Joaquin A. Calderon and Xiaoke Zhang and Jaclyn M. Phillips and James K. Hahn},
journal= {arXiv preprint arXiv:2504.05627},
year = {2025}
}