通过在光学3D身体扫描上使用机器学习来评估母亲和胎儿的健康状况

科学领域:

• 产科和妇科 产科和妇科
• 医疗成像医学成像
• 医疗保健中的机器学习

背景情况:

• 对母亲和胎儿的健康监测对于预防不良妊娠结果至关重要.
• 像超声波这样的传统方法可能是昂贵和不方便的.
• 远程医疗和可访问的身体形状数据为方便的健康监测提供了潜力.

研究的目的:

• 探索3D身体扫描数据在预测不良妊娠结果方面的潜力.
• 使用3D身体形状信息估计临床参数,如胎儿体重.
• 开发和评估一种用于分析怀孕期间3D身体扫描数据的新算法.

主要方法:

• 利用了在妊娠18-24周之间捕获的3D身体扫描数据.
• 开发了一种用于特征提取的新的双流算法:用于顺序腹周的监督学习和用于全球形状描述者的无监督学习.
• 加入了一个与形状相关的人口统计数据的分支.

主要成果:

• 证明3D身体形状可以预测早产和妊娠糖尿病 (GDM).
• 实现了高预测准确度超过89%的不良结果.
• 获得了72.22%的胎儿体重估计准确度,在10%的误差范围内,比传统方法高出18.18%.

结论:

• 3D身体扫描数据是预测不良妊娠结果和估计胎儿体重的有希望的工具.
• 这种新的算法显著超过了传统的人类测量测量.
• 这项技术为母胎健康监测提供了一种方便和可访问的方法.