19. Breastgan: Artificial Intelligence-enabled Breast Augmentation Simulation
Notice bibliographique
Résumé
Purpose: Managing patient expectations is important to ensuring patient satisfaction in aesthetic medicine. To this end, computer technology developed to photograph, digitize, and manipulate three-dimensional (3D) objects has been applied to the female breast. However, the systems remain complex, physically cumbersome, and extremely expensive. The authors of the current study wish to introduce the plastic surgery community to BreastGAN (Breast Generative Adversarial Network), a portable, artificial intelligence-equipped tool trained on real clinical images to simulate breast augmentation outcomes. Methods: Charts of all patients who underwent bilateral breast augmentation performed by the senior author were retrieved and analyzed. Frontal before and after images were collected from each patient’s chart, cropped in a standardized fashion, and used to train a neural network designed to manipulate before images to simulate a surgical result. AI-generated frontal after images were then compared to the real surgical results. Results: Standardizing the evaluation of surgical results is a timeless challenge which persists in the context of AI-synthesized after images. In this study, AI-generated images were comparable to real surgical results. Conclusion: This study features a portable, cost-effective neural network trained on real clinical images and designed to simulate surgical results following bilateral breast augmentation. Tools trained on a larger dataset of standardized surgical image pairs will be the subject of future studies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».