MvBody：基于多视图混合Transformer的可解释剖腹产风险预测
计算机视觉与模式识别
2025-11-06 v1
摘要
准确评估剖腹产(CS)风险至关重要，尤其是在医疗资源有限的地区，此时医疗保健资源常受限。及时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，大多数现有预测模型针对的是在分娩期间住院使用的参数，而这些参数在资源有限或居家环境中往往不可得。本研究旨在探讨使用3D体形进行CS风险评估的可行性，以便未来 applications 使用更便宜的通用设备。我们提出了一种新颖的多视图基于Transformer网络MvBody，该网络仅使用自报告的医疗数据和3D光学体扫描（在妊娠31至38周之间）即可预测CS风险。为增强训练效率和模型在数据稀缺环境下的通用性，我们将度量学习损失纳入网络。与广泛使用的机器学习模型和最新先进的3D分析方法相比，我们的方法在独立测试集上实现了84.62%的准确率和0.724的受试者工作特征曲线下面积(AUC-ROC)。为提高模型预测透明度和可信度，我们应用集成梯度算法，为模型决策过程提供理论依据的解释。我们的结果表明，早产体重、母亲年龄、产科史、既往CS史以及身体形状（特别是头部和肩部部位）是CS风险预测的关键因素。
关键词
引用
@article{arxiv.2511.03212,
title = {MvBody: Multi-View-Based Hybrid Transformer Using Optical 3D Body Scan for Explainable Cesarean Section Prediction},
author = {Ruting Cheng and Boyuan Feng and Yijiang Zheng and Chuhui Qiu and Aizierjiang Aiersilan and Joaquin A. Calderon and Wentao Zhao and Qing Pan and James K. Hahn},
journal= {arXiv preprint arXiv:2511.03212},
year = {2025}
}
备注
19 pages, 4 figures