本文提出一种名为MvBody的多视角混合Transformer模型，利用孕31至38周的光学3D体形扫描和自报医学信息预测剖宫产风险。模型采用多视角特征提取器将3D点云投影至若干视图，随后通过共享Transformer编码器捕获全局形状关系。为缓解样本稀缺，加入度量学习损失 $$L_{metric}=\frac{1}{N}\sum_{i}^{N}\|f_i - \mu_{y_i}\|_2^2$$ 并与交叉熵共同优化。训练后使用Integrated Gradients计算特征贡献度，实现可解释性。实验在独立测试集上取得84.62%准确率和0.724 AUC，优于传统机器学习和最新3D分析方法。特征重要性分析表明，孕前体重、母亲年龄、产科既往史、既往剖宫产以及头肩部位的体形是主要预测因子。点评：该工作展示了低成本3D扫描在产前风险评估中的可行性，为资源受限地区提供了可解释的决策支持工具。