nach oben

Aesthetic Plastic Surgery

Erschienen in:

02.01.2020 | Review

Artificial Intelligence in Plastic Surgery: Applications and Challenges

verfasst von: Xuebing Liang, Xiaoning Yang, Shan Yin, Sunitha Malay, Kevin C. Chung, Jiguang Ma, Keming Wang

Erschienen in: Aesthetic Plastic Surgery | Ausgabe 2/2021

Einloggen, um Zugang zu erhalten

Abstract

New developments in artificial intelligence (AI) offer opportunities to enhance plastic surgery practice, research, and education. In this article, we review relevant AI tools and applications, including machine learning, reinforcement learning, and natural language processing. Our own Markov decision process for keloid treatment illustrates how these models are developed and can be used to enhance decision-making in clinical practice. Finally, we discuss challenges of implementing AI and knowledge gaps that must be addressed to successfully apply AI in plastic surgery.

Level of Evidence V This journal requires that authors assign a level of evidence to each article. For a full description of these Evidence-Based Medicine ratings, please refer to the Table of Contents or the online Instructions to Authors www.springer.com/00266.

Poole D, Mackworth A, Goebel R (1998) Computational intelligence: a logical approach. Oxford University Press, Oxford

Silver D, Huang A, Maddison CJ, Guez A, Sifre L, van den Driessche G, Schrittwieser J, Antonoglou I, Panneershelvam V, Lanctot M, Dieleman S, Grewe D, Nham J, Kalchbrenner N, Sutskever I, Lillicrap T, Leach M, Kavukcuoglu K, Graepel T, Hassabis D (2016) Mastering the game of Go with deep neural networks and tree search. Nature 529:484–489CrossRef

De Luna P, Wei J, Bengio Y, Aspuru-Guzik A, Sargent E (2017) Use machine learning to find energy materials. Nature 552:23–27CrossRef

Musib M, Wang F, Tarselli MA, Yoho R, Yu KH, Andres RM, Greenwald NF, Pan X, Lee CH, Zhang J, Dutton-Regester K, Johnston JW, Sharafeldin IM (2017) Artificial intelligence in research. Science 357:28–30CrossRef

Cyranoski D (2018) China enters the battle for AI talent. Nature 553:260–261CrossRef

Ramesh AN, Kambhampati C, Monson JR, Drew PJ (2004) Artificial intelligence in medicine. Ann R Coll Surg Engl 86:334–338CrossRef

Hosny A, Parmar C, Quackenbush J, Schwartz LH, Aerts H (2018) Artificial intelligence in radiology. Nat Rev Cancer 18(8):500–510CrossRef

Gulshan V, Peng L, Coram M, Stumpe MC, Wu D, Narayanaswamy A, Venugopalan S, Widner K, Madams T, Cuadros J, Kim R, Raman R, Nelson PC, Mega JL, Webster DR (2016) Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs. JAMA 316:2402–2410CrossRef

Kanevsky J, Corban J, Gaster R, Kanevsky A, Lin S, Gilardino M (2016) Big data and machine learning in plastic surgery: a new frontier in surgical innovation. Plast Reconstr Surg 137:890e–897eCrossRef

10.

Peek N, Combi C, Marin R, Bellazzi R (2015) Thirty years of artificial intelligence in medicine (AIME) conferences: a review of research themes. Artif Intell Med 65:61–73CrossRef

11.

Hirschberg J, Manning CD (2015) Advances in natural language processing. Science 349:261–266CrossRef

12.

Aloimonos Y, Rosenfeld A (1991) Computer vision. Science 253:1249–1254CrossRef

13.

Spyropoulos CD (2000) AI planning and scheduling in the medical hospital environment. Artif Intell Med 20:101–111CrossRef

14.

Alagoz O, Hsu H, Schaefer AJ, Roberts MS (2010) Markov decision processes: a tool for sequential decision making under uncertainty. Med Decis Mak 30:474–483CrossRef

15.

Sanchez-Lengeling B, Aspuru-Guzik A (2018) Inverse molecular design using machine learning: generative models for matter engineering. Science 361:360–365CrossRef

16.

Shortreed SM, Laber E, Lizotte DJ, Stroup TS, Pineau J, Murphy SA (2011) Informing sequential clinical decision-making through reinforcement learning: an empirical study. Mach Learn 84:109–136CrossRef

17.

Sears ED, Chung KC (2010) Decision analysis in plastic surgery: a primer. Plast Reconstr Surg 126:1373–1380CrossRef

18.

Hogendoorn W, Moll FL, Sumpio BE, Hunink MG (2016) Clinical decision analysis and markov modeling for surgeons: an introductory overview. Ann Surg 264:268–274CrossRef

19.

Zuo KJ, Saun TJ, Forrest CR (1306e) Facial recognition technology: a primer for plastic surgeons. Plast Reconstr Surg 143:1298e–1306eCrossRef

20.

Becker AS, Marcon M, Ghafoor S, Wurnig MC, Frauenfelder T, Boss A (2017) Deep learning in mammography: diagnostic accuracy of a multipurpose image analysis software in the detection of breast cancer. Invest Radiol 52:434–440CrossRef

21.

Mjolsness E, DeCoste D (2001) Machine learning for science: state of the art and future prospects. Science 293:2051–2055CrossRef

22.

Levites HA, Thomas AB, Levites JB, Zenn MR (2019) The use of emotional artificial intelligence in plastic surgery. Plast Reconstr Surg 144:499–504CrossRef

23.

Curtarolo S, Hart GL, Nardelli MB, Mingo N, Sanvito S, Levy O (2013) The high-throughput highway to computational materials design. Nat Mater 12:191–201CrossRef

24.

Yang D, Zhang S, Yan Z, Tan C, Li K, Metaxas D (2015) Automated anatomical landmark detection ondistal femur surface using convolutional neural network. Biomedical Imaging (ISBI). In: 2015 IEEE 12th international symposium on: IEEE, pp 17–21

25.

O'Connell RL, Stevens RJ, Harris PA, Rusby JE (2015) Review of three-dimensional (3D) surface imaging for oncoplastic, reconstructive and aesthetic breast surgery. Breast 24:331–342CrossRef

26.

Lee J, Kawale M, Merchant FA, Weston J, Fingeret MC, Ladewig D, Reece GP, Crosby MA, Beahm EK, Markey MK (2011) Validation of stereophotogrammetry of the human torso. Breast Cancer (Auckl) 5:15–25

27.

Deo RC (2015) Machine learning in medicine. Circulation 132:1920–1930CrossRef

28.

Shah SJ (2017) Innovative clinical trial designs for precision medicine in heart failure with preserved ejection fraction. J Cardiovasc Transl Res 10:322–336CrossRef

29.

Zeevi D, Korem T, Zmora N, Israeli D, Rothschild D, Weinberger A, Ben-Yacov O, Lador D, Avnit-Sagi T, Lotan-Pompan M, Suez J, Mahdi JA, Matot E, Malka G, Kosower N, Rein M, Zilberman-Schapira G, Dohnalova L, Pevsner-Fischer M, Bikovsky R, Halpern Z, Elinav E, Segal E (2015) Personalized nutrition by prediction of glycemic responses. Cell 163:1079–1094CrossRef

30.

Choe KS, Stucki-McCormick SU (2000) Chin augmentation. Facial Plast Surg 16:45–54CrossRef

31.

Aspuru-Guzik A, Persson K (2018) Materials acceleration platform: accelerating advanced energy materials discovery by integrating high-throughput methods and artificial intelligence. Mission Innovation: Innovation Challenge 6

32.

Butler KT, Davies DW, Cartwright H, Isayev O, Walsh A (2018) Machine learning for molecular and materials science. Nature 559:547–555CrossRef

33.

Bancroft GN, Basu CB, Leong M, Mateo C, Hollier LH Jr, Stal S (2008) Outcome-based residency education: teaching and evaluating the core competencies in plastic surgery. Plast Reconstr Surg 121:441e–448CrossRef

34.

Moltaji S, Alkhatib AH, Liu H, Murphy J, Gallo L, Karpinski M, Mowakket S, Thoma A (2018) introducing knowledge translation to plastic surgery: turning evidence into practice. Plast Reconstr Surg 142:760e–769eCrossRef

35.

Sarker A, Molla D, Paris C (2015) Automatic evidence quality prediction to support evidence-based decision making. Artif Intell Med 64:89–103CrossRef

36.

Kohli M, Geis R (2018) Ethics, artificial intelligence, and radiology. J Am Coll Radiol 15:1317–1319CrossRef

37.

Cabitza F, Rasoini R, Gensini GF (2017) Unintended consequences of machine learning in medicine. JAMA 318:517–518CrossRef

Titel: Artificial Intelligence in Plastic Surgery: Applications and Challenges
verfasst von: Xuebing Liang
Xiaoning Yang
Shan Yin
Sunitha Malay
Kevin C. Chung
Jiguang Ma
Keming Wang
Publikationsdatum: 02.01.2020
Verlag: Springer US
Erschienen in: Aesthetic Plastic Surgery / Ausgabe 2/2021
Print ISSN: 0364-216X
Elektronische ISSN: 1432-5241
DOI: https://doi.org/10.1007/s00266-019-01592-2

Neu im Fachgebiet Chirurgie

Wie erfolgreich ist eine Re-Ablation nach Rezidiv?

23.04.2024 Ablationstherapie Nachrichten

Nach der Katheterablation von Vorhofflimmern kommt es bei etwa einem Drittel der Patienten zu Rezidiven, meist binnen eines Jahres. Wie sich spätere Rückfälle auf die Erfolgschancen einer erneuten Ablation auswirken, haben Schweizer Kardiologen erforscht.

Hinter dieser Appendizitis steckte ein Erreger

23.04.2024 Appendizitis Nachrichten

Schmerzen im Unterbauch, aber sonst nicht viel, was auf eine Appendizitis hindeutete: Ein junger Mann hatte Glück, dass trotzdem eine Laparoskopie mit Appendektomie durchgeführt und der Wurmfortsatz histologisch untersucht wurde.

Mehr Schaden als Nutzen durch präoperatives Aussetzen von GLP-1-Agonisten?

23.04.2024 Operationsvorbereitung Nachrichten

Derzeit wird empfohlen, eine Therapie mit GLP-1-Rezeptoragonisten präoperativ zu unterbrechen. Eine neue Studie nährt jedoch Zweifel an der Notwendigkeit der Maßnahme.

Ureterstriktur: Innovative OP-Technik bewährt sich

19.04.2024 EAU 2024 Kongressbericht

Die Ureterstriktur ist eine relativ seltene Komplikation, trotzdem bedarf sie einer differenzierten Versorgung. In komplexen Fällen wird dies durch die roboterassistierte OP-Technik gewährleistet. Erste Resultate ermutigen.

Update Chirurgie

Bestellen Sie unseren Fach-Newsletter und bleiben Sie gut informiert.

Newsletter bestellen

Aktuelle BDC Leitlinien-Webinare

S3-Leitlinie „Diagnostik und Therapie des Karpaltunnelsyndroms“

Karpaltunnelsyndrom BDC Leitlinien Webinare

CME: 2 Punkte

Das Karpaltunnelsyndrom ist die häufigste Kompressionsneuropathie peripherer Nerven. Obwohl die Anamnese mit dem nächtlichen Einschlafen der Hand (Brachialgia parästhetica nocturna) sehr typisch ist, ist eine klinisch-neurologische Untersuchung und Elektroneurografie in manchen Fällen auch eine Neurosonografie erforderlich. Im Anfangsstadium sind konservative Maßnahmen (Handgelenksschiene, Ergotherapie) empfehlenswert. Bei nicht Ansprechen der konservativen Therapie oder Auftreten von neurologischen Ausfällen ist eine Dekompression des N. medianus am Karpaltunnel indiziert.

Prof. Dr. med. Gregor Antoniadis

S2e-Leitlinie „Distale Radiusfraktur“

Radiusfraktur BDC Leitlinien Webinare

CME: 2 Punkte

Das Webinar beschäftigt sich mit Fragen und Antworten zu Diagnostik und Klassifikation sowie Möglichkeiten des Ausschlusses von Zusatzverletzungen. Die Referenten erläutern, welche Frakturen konservativ behandelt werden können und wie. Das Webinar beantwortet die Frage nach aktuellen operativen Therapiekonzepten: Welcher Zugang, welches Osteosynthesematerial? Auf was muss bei der Nachbehandlung der distalen Radiusfraktur geachtet werden?

PD Dr. med. Oliver Pieske

Dr. med. Benjamin Meyknecht

S1-Leitlinie „Empfehlungen zur Therapie der akuten Appendizitis bei Erwachsenen“

Appendizitis BDC Leitlinien Webinare

CME: 2 Punkte

Inhalte des Webinars zur S1-Leitlinie „Empfehlungen zur Therapie der akuten Appendizitis bei Erwachsenen“ sind die Darstellung des Projektes und des Erstellungswegs zur S1-Leitlinie, die Erläuterung der klinischen Relevanz der Klassifikation EAES 2015, die wissenschaftliche Begründung der wichtigsten Empfehlungen und die Darstellung stadiengerechter Therapieoptionen.

Dr. med. Mihailo Andric

Springer Medizin

Abstract

Bitte loggen Sie sich ein, um Zugang zu diesem Inhalt zu erhalten

Weitere Artikel der Ausgabe 2/2021

Deskinning in Inverted-T Mastopexy and Augmentation Mastopexy: A Retrospective Cohort Study

Tear Trough Treatment with Orbicularis Oculi Muscle Suspension

Histological and Quantitative Appraisal of the Intradermal and Subcutaneous Distribution of the Hyaluronic Acid Injected into the Nasolabial Fold

Efficacy of Progressive Tension Sutures without Drains in Reducing Seroma Rates of Abdominoplasty: A Systematic Review and Meta-Analysis

Injection of Aquafilling® for Breast Augmentation Causes Inflammatory Responses Independent of Visible Symptoms

3D Nipple–Areolar Tattoo: It’s Technique, Outcomes, and Utilization

Update Chirurgie