“GLP-1激动剂与减肥手术：一项关于胰腺切除术结果的全球健康网络分析”

《Plastic and Reconstructive Surgery》：“GLP-1 Agonists vs. Bariatric Surgery: A Global Health Network Analysis of Panniculectomy Outcomes”

AI驱动的乳腺癌重建手术模拟器通过生成对抗网络（GAN）训练，利用真实患者术前术后照片数据验证其预测效果，植入物组SSIM达0.61，自体组织组0.50，模型在形态、体积、对称性及乳头重建方面与真实结果高度吻合，为个性化决策提供工具。

　　```section>

摘要 通俗语言总结

---

引言：

通过模拟个性化术后结果的视觉辅助工具可以帮助患者和医生共同做出决策，并有助于管理患者的期望。本研究旨在开发并验证一种基于人工智能的外科手术模拟器，该模拟器利用真实患者的照片进行训练，以预测乳房重建的效果。

方法：

回顾性地确定了2010年1月至2024年6月期间在纪念斯隆凯特琳癌症中心接受双侧两阶段植入重建或腹部自体乳房重建的女性患者群体。收集并预处理了标准化的术前和术后正面照片。使用生成对抗网络（GAN）开发了一种基于人工智能的模拟器，并通过75:25的训练/测试比例对超过250个周期的照片进行了训练。利用结构相似性指数（SSIM）和Fréchet Inception Distance（FID）等标准指标，从定性和定量两个方面评估了人工智能生成的术后预测结果与实际术后结果的一致性。

结果：

共有1,405名患者参与了研究（植入组：n=1006 [72%]；自体组：n=399 [28%]）。该群体主要为白人（83.5%），亚裔（5.5%）、黑人（5.0%）和其他种族的患者比例较低。图像逼真度的定量评估表明，该模型的预测结果较为准确（植入组：SSIM 0.61，FID 23.77；自体组：SSIM 0.50，FID 38.21）。人工智能生成的预测结果在乳房形状、体积、对称性和乳头重建方面与实际术后照片高度一致。

结论：

本研究证明了基于真实临床照片训练的人工智能模型在模拟乳房重建效果方面的可行性。这些发现支持进一步探索基于人工智能的模型在乳房重建手术中的个性化模拟应用及其在临床护理中的整合。

通俗语言总结：研究人员开发了一种基于人工智能的模拟器，利用真实患者的照片来预测乳房重建的结果。他们研究了在纪念斯隆凯特琳癌症中心接受植入或自体乳房重建的1,405名患者。该人工智能模型通过生成对抗网络进行训练，在乳房形状、体积、对称性和乳头重建方面与实际术后照片高度一致。模型的准确性通过结构相似性指数和Fréchet Inception Distance进行了评估，结果表明模型的预测结果较为准确。这种方法有助于提高乳房重建手术中的决策共享和患者期望管理。

文本内容由机器生成，可能存在不准确之处。常见问题解答

```