利用基于卷积神经网络的年龄估计方法量化深层面部提升手术后的面部年轻化效果：与患者在FACE-Q美学模块中所报告的结果的相关性研究

《Aesthetic Plastic Surgery》：Quantifying Facial Rejuvenation after Deep Plane Facelift Using Convolutional Neural Network-Based Age Estimation: Correlation with Patient-Reported Outcomes on the FACE-Q Aesthetic Module

　　```

摘要

引言

本研究利用五种公开可用的卷积神经网络（CNN）模型，量化深度面部和颈部拉皮手术后患者感知到的年龄减少程度，并评估人工智能估计的年轻化效果与FACE-Q美学模块评估结果之间的相关性。

方法

本研究对2020年至2024年间接受深度面部和颈部拉皮手术的72名女性患者进行了回顾性横断面研究。使用FacePlusPlus、Amazon Rekognition、Inferdo Face、howOld AI和Facelytics五种CNN平台对患者的标准化照片进行了分析。对于那些提供范围评估的模型，采用了算术平均值作为计算依据。针对每种模型计算了校正后的标准化年龄减少指标，并将其平均值作为综合得分。在术后12个月时对患者进行了FACE-Q美学模块的评估。研究还采用了Spearman等级相关性分析方法。

结果

综合标准化年龄减少值为7.64 ± 3.44岁（15.67 ± 6.76%）。不同模型之间的差异不具有显著性（Friedman检验：χ2(4) = 9.23，p = 0.056）。患者感知到的年龄减少与面部外观（ρ = 0.61，p < 0.001）、手术效果（ρ = 0.54）及心理幸福感（ρ = 0.44）之间存在强烈相关性。人工智能估计的年轻化效果关联较弱，仅“早年生活影响”这一指标具有显著性（ρ = 0.25，p = 0.034）。

讨论

基于CNN的年龄估计方法为量化面部年轻化提供了一个可重复且不受观察者主观影响的标准。人工智能估计的年轻化程度与患者自身的感知结果共同构成了手术效果的互补维度，两者的结合有助于构建更严谨的多维度评估框架。

证据等级II

本期刊要求作者为每篇文章指定一个证据等级。关于这些基于证据的医学评估标准的完整说明，请参阅目录或在线作者指南 www.springer.com/00266。

``````