論文の概要: MvBody: Multi-View-Based Hybrid Transformer Using Optical 3D Body Scan for Explainable Cesarean Section Prediction

• arxiv url: http://arxiv.org/abs/2511.03212v1
• Date: Wed, 05 Nov 2025 06:02:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-06 18:19:32.349363
• Title: MvBody: Multi-View-Based Hybrid Transformer Using Optical 3D Body Scan for Explainable Cesarean Section Prediction
• Title（参考訳）: MvBody:光学式3Dボディスキャナを用いた多視点ハイブリッドトランスによる記述可能なセサリア断面予測
• Authors: Ruting Cheng, Boyuan Feng, Yijiang Zheng, Chuhui Qiu, Aizierjiang Aiersilan, Joaquin A. Calderon, Wentao Zhao, Qing Pan, James K. Hahn,
• Abstract要約: 本稿では, 自己報告医療データと3次元光学体スキャンのみを用いて, 帝王切開リスクを予測するマルチビュートランスフォーマーネットワークMvBodyを提案する。 機械学習モデルや最新の高度な3D解析手法と比較して,本手法は優れた性能を示す。 以上の結果から, 妊娠前体重, 母性年齢, 産科歴, 以前のCS歴, 体型, 特に頭と肩の周囲では, CSリスク予測の鍵となることが示唆された。
• 参考スコア（独自算出の注目度）: 12.529565733654783
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurately assessing the risk of cesarean section (CS) delivery is critical, especially in settings with limited medical resources, where access to healthcare is often restricted. Early and reliable risk prediction allows better-informed prenatal care decisions and can improve maternal and neonatal outcomes. However, most existing predictive models are tailored for in-hospital use during labor and rely on parameters that are often unavailable in resource-limited or home-based settings. In this study, we conduct a pilot investigation to examine the feasibility of using 3D body shape for CS risk assessment for future applications with more affordable general devices. We propose a novel multi-view-based Transformer network, MvBody, which predicts CS risk using only self-reported medical data and 3D optical body scans obtained between the 31st and 38th weeks of gestation. To enhance training efficiency and model generalizability in data-scarce environments, we incorporate a metric learning loss into the network. Compared to widely used machine learning models and the latest advanced 3D analysis methods, our method demonstrates superior performance, achieving an accuracy of 84.62% and an Area Under the Receiver Operating Characteristic Curve (AUC-ROC) of 0.724 on the independent test set. To improve transparency and trust in the model's predictions, we apply the Integrated Gradients algorithm to provide theoretically grounded explanations of the model's decision-making process. Our results indicate that pre-pregnancy weight, maternal age, obstetric history, previous CS history, and body shape, particularly around the head and shoulders, are key contributors to CS risk prediction.
• Abstract（参考訳）: 特に医療資源が限られており、医療へのアクセスが制限されることの多い環境では、帝王切開(CS)のリスクを正確に評価することが重要である。 早期かつ信頼性の高いリスク予測は、よりインフォームドされた出生前ケアの決定を可能にし、母性および新生児の結果を改善することができる。 しかし、既存の予測モデルのほとんどは、労働中の病院内での使用に適したものであり、リソース制限や家庭ベースの設定では利用できないパラメータに依存している。 本研究では,より手頃な汎用機器を用いたCSリスクアセスメントにおける3次元ボディ形状の適用可能性について,パイロット調査を行った。 妊娠31週から38週の間に得られた自己申告医療データと3D光学体スキャンのみを用いてCSリスクを予測する多視点トランスフォーマーネットワークMvBodyを提案する。 データ共有環境における学習効率とモデル一般化性を向上させるため、ネットワークにメトリック学習損失を組み込む。 機械学習モデルや最新の3D解析手法と比較して, 精度84.62%, 受信者動作特性曲線(AUC-ROC)0.724の領域を独立テストセットで達成し, 優れた性能を示す。 モデルの予測の透明性と信頼性を向上させるため,モデルの意思決定プロセスに関する理論的根拠を持つ説明を提供するために,統合勾配アルゴリズムを適用した。 以上の結果から, 妊娠前体重, 母性年齢, 産科歴, 以前のCS歴, 体型, 特に頭と肩の周囲では, CSリスク予測の鍵となることが示唆された。

関連論文リスト

• Predicting VBAC Outcomes from U.S. Natality Data using Deep and Classical Machine Learning Models [0.0]
  本研究は,CDC WONDER Natalityデータセットから得られたセサレアン(VBAC)後の迷走神経発生を予測するための教師付き機械学習モデルを提案する。 ロジスティック回帰、XGBoost、多層パーセプトロン(MLP)の3つの分類器を訓練した。 AUCは0.7287で最高性能を記録し、XGBoost (Boost = 0.727) はロジスティック回帰ベースラインを上回った。
  論文  参考訳（メタデータ） (2025-07-28T20:54:55Z)
• Maternal and Fetal Health Status Assessment by Using Machine Learning on Optical 3D Body Scans [3.153771294026575]
  本研究は,妊娠18～24週で得られた3Dボディスキャンデータの有用性について検討し,妊娠の悪影響を予測した。 物体形状の特徴を抽出する2つの並列ストリームを用いた新しいアルゴリズムを開発した。 以上の結果から,3次元体型は妊娠期糖尿病(GDM),妊娠期高血圧(GH),胎児体重の予測に有効であることが示唆された。
  論文  参考訳（メタデータ） (2025-04-08T03:02:26Z)
• Demographic Predictability in 3D CT Foundation Embeddings [0.0]
  自己組織化基礎モデルはCT画像の符号化に成功している。 これらの埋め込みが年齢、性別、人種などの人口統計情報をキャプチャするかどうかを評価する。
  論文  参考訳（メタデータ） (2024-11-28T04:26:39Z)
• SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
  セプシスは米国での院内死亡の主な原因である。 既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。 限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:47:36Z)
• An Improved Model Ensembled of Different Hyper-parameter Tuned Machine Learning Algorithms for Fetal Health Prediction [1.332560004325655]
  本研究では,胎児の健康状態を予測するために,Support Vector MachineとExtraTreesのアンサンブルと呼ばれる頑健なアンサンブルモデルを提案する。 提案したETSEモデルは、100%精度、100%リコール、100%F1スコア、99.66%精度で他のモデルより優れていた。
  論文  参考訳（メタデータ） (2023-05-26T16:40:44Z)
• Foresight -- Deep Generative Modelling of Patient Timelines using Electronic Health Records [46.024501445093755]
  医学史の時間的モデリングは、将来の出来事を予測し、シミュレートしたり、リスクを見積り、代替診断を提案したり、合併症を予測するために使用することができる。 我々は、文書テキストを構造化されたコード化された概念に変換するためにNER+Lツール(MedCAT)を使用する新しいGPT3ベースのパイプラインであるForesightを提示する。
  論文  参考訳（メタデータ） (2022-12-13T19:06:00Z)
• Leveraging Clinically Relevant Biometric Constraints To Supervise A Deep Learning Model For The Accurate Caliper Placement To Obtain Sonographic Measurements Of The Fetal Brain [0.0]
  経小脳平面(TC)の2次元USG画像から3つの重要な胎児脳バイオメトリーを計算するための深層学習(DL)手法を提案する。 U-Net DLモデルの精度を向上させるために,臨床的に関連するバイオメトリック制約(校正点間の関連性)とドメイン関連データ拡張を利用した。 いずれの場合も、個々のカリパーポイントの配置における平均誤差と計算されたバイオメトリーは、臨床医の誤差率に匹敵するものであった。
  論文  参考訳（メタデータ） (2022-03-28T04:00:22Z)
• Deep Implicit Statistical Shape Models for 3D Medical Image Delineation [47.78425002879612]
  解剖学的構造の3次元デライン化は、医用画像解析の基本的な目標である。 ディープラーニング以前は、解剖学的制約を課し高品質の表面を作り出す統計的形状モデルはコア技術だった。 我々は,CNNの表現力とSSMの頑健さを合体させるデライン化の新しい手法であるディープ暗黙的統計的形状モデル(DISSMs)を提案する。
  論文  参考訳（メタデータ） (2021-04-07T01:15:06Z)
• Self-Supervised Out-of-Distribution Detection in Brain CT Scans [46.78055929759839]
  本稿では,異常検出のための自己教師付き学習手法を提案する。 私たちのアーキテクチャは、主に、1)再構成と2)幾何学的変換を予測する2つの部分で構成されています。 試験時間において、幾何変換予測器は、幾何変換と予測との誤差を計算することにより、異常スコアを割り当てることができる。
  論文  参考訳（メタデータ） (2020-11-10T22:21:48Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
  スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。 本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
  論文  参考訳（メタデータ） (2020-10-05T14:18:52Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。