利用机器学习对光学3D身体扫描数据进行母婴健康状况评估

《Medical & Biological Engineering & Computing》：Maternal and fetal health status assessment by using machine learning on optical 3D body scans

孕妇18-24周三维体型扫描数据用于开发双流算法模型，结合监督学习提取腹部circumference序列特征和无监督学习提取全身shape描述，并与人口学数据融合。结果显示该模型在预测早产（89.6%）、妊娠糖尿病（91.2%）和胎儿体重估算（72.22%误差率内）方面优于传统方法，准确率提升18.18%。

　　

摘要

在怀孕期间监测母亲和胎儿的健康状况对于预防不良后果至关重要。虽然超声波检查等检测方法具有很高的准确性，但它们可能成本较高且使用不便。远程医疗解决方案以及更易获取的身体形态信息为孕妇提供了一种方便的监测健康状况的方式。本研究探讨了在妊娠18至24周期间收集的3D身体扫描数据在预测不良妊娠结局和估算临床参数方面的潜力。我们开发了一种新型算法，该算法包含两个并行处理流程：一个用于监督学习以提取连续的腹部周长信息，另一个用于无监督学习以提取整体形状描述符，并结合了与形状相关的人口统计数据。研究结果表明，3D身体形态数据有助于预测早产和妊娠糖尿病（GDM），以及估算胎儿体重。与其他机器学习模型相比，我们的算法表现最佳，预测准确率超过89%，胎儿体重估算准确率为72.22%，误差范围在10%以内，比基于传统人体测量方法的表现高出18.18%。

图形摘要