《Aesthetic Plastic Surgery》：Technological Integration in Aesthetic Practice: A Systematic Review of Artificial Intelligence, Augmented Reality and Robotics in Cosmetic Procedures
背景：人工智能（AI）、增强现实（AR）和机器人技术正迅速改变美学实践。尽管这些技术的整合日益深入，但关于其在美容手术中的临床应用、性能表现及挑战的证据仍然分散。本研究系统评价了这些工具的临床应用。方法：本系统评价遵循系统评价与整合分析报告规范（PRISMA）2020指南，并在国际系统评价前瞻性注册平台（PROSPERO）（CRD420251077168）注册。研究人员全面检索了PubMed/MEDLINE、EMBASE、Web of Science和Google Scholar数据库，识别了关于人工智能、增强现实或机器人技术在美容手术中应用的原创研究。纳入的研究包括在外科及非外科背景下的应用。结果：在筛选的12,316篇文献中，55篇（0.5%）符合纳入标准，发表时间为2009年至2025年。大多数研究（n=33, 60%）应用了基于人工智能的图像分析，实现了皮肤特征的客观量化、乳房及面部手术中的容积规划以及患者沟通的改善。较小比例的研究（n=5, 9.1%）关注人工智能驱动的风险评估和结局预测。机器人技术（n=9, 16%）能够提高面部、下颌、毛发及激光手术中的精准度，并超越手动操作技术。增强现实技术（n=8, 15%）实现了术中导航和术前模拟。方法学质量总体为低等到中等。结论：尽管人工智能技术正在快速发展，提供了能够进行全面皮肤分析的软件，改善了患者选择，预测了结局，并旨在客观评估美容手术的后果，但增强现实和机器人技术在美容医学和手术中的普及速度较慢。尽管部分研究强调了这些技术的显著潜力，但其整合到常规实践中仍受到证据质量、数据集多样性、工作流程适应性、成本和伦理监督等因素的限制。
引言
美容医学和手术领域正经历深刻变革，由重新定义临床实践方式的快速技术进步所驱动。过去十年间，人工智能（AI）已成为医疗保健中的关键力量，通过提高效率、安全性和工作流程优化来简化患者管理。AI整合到美容医学在近二十年来进展迅速，最初仅限于面部识别和基础成像工具，其基础奠定于消费技术，尤其是社交媒体上的美化照片滤镜，这些滤镜塑造了自我认知并提高了对美容效果的期望。随着数字美学成为主流，AI从图像增强演变为临床效用工具。现如今，AI驱动的平台支持面部分析、手术模拟和数据驱动的决策制定，同时改变了患者体验和从业者工作流程。
在AI发展史上，早期计算机视觉方法主要依赖基于规则的图像分析，使用手工特征提取和确定性算法，即传统计算机视觉。虽然这些方法在检测预定义视觉模式方面有效，但在复杂数据集的泛化能力方面存在局限。机器学习（ML）作为AI的子集，使计算机能够通过处理海量数据集识别复杂模式，这一基础为更复杂的基于深度学习（DL）和人工神经网络（ANN）的软件铺平了道路，包括卷积神经网络（CNN），现已成为医学图像分析和诊断精准度的核心组成部分。这些创新显著增强了临床决策能力，尤其在区分良恶性皮肤病变或检测放射学扫描异常等任务中表现突出。
机器人辅助手术已在众多专科中证明有效，成为增强手术安全性和精准度、同时帮助降低相关成本的常规实践。与此同时，增强现实（AR）作为AI和机器人技术的交汇点，通过在物理环境上叠加数字内容，为外科医生提供实时视觉增强和规划工具，在手术和教育中引入了新的可能性。
这一技术转型与全球抗衰老和美容手术需求的增长相吻合，催生了针对美容实践独特需求的智能系统。随着AI、AR和机器人平台日益嵌入临床工作流程，其整合到美容咨询和干预中已成为创新和探究的主题。值得注意的是，美容医学界近期的共识已认可这些技术的持续发展和应用，承认其在非侵入性和手术环境中的变革潜力。然而，这一进展伴随着伦理复杂性，智能技术在容貌相关干预中的使用引发了关于隐私、偏见、知情同意以及不断演变的医患关系等重要问题。
鉴于这些发展态势，本系统评价旨在审视数字工具如何整合到现代美容咨询中，探索其在增强美容手术术前、术中和术后阶段的作用，同时解决其对未来实践可能带来的机遇和挑战。本综述的新颖性在于其对当前证据的全面综合，可作为美容专业人士应对技术增强护理这一 evolving 格局的潜在最新参考。
方法
本系统评价遵循2020年系统评价与整合分析报告规范（PRISMA）指南。鉴于预期研究设计和报告结局存在相当大的变异，研究人员采用定性综合而非整合分析（Meta分析）。完整综述方案已在国际系统评价前瞻性注册平台（PROSPERO）（ID: CRD420251077168）预注册。
系统检索于PubMed/MEDLINE、EMBASE、Web of Science和Google Scholar（前10页）进行，检索截至2025年8月发表的文献。检索策略将两个主要概念类别通过布尔运算符"AND"组合：1）"artificial intelligence OR robotic surgery OR augmented reality"；2）"cosmetic procedures"。每个概念的相关同义词和数据库特定术语均被应用。同时审查纳入文献的参考文献列表，通过交叉引用识别额外符合条件的研究。
纳入标准包括报道人工智能、增强现实或机器人技术在美容手术中应用的原创同行评审研究（前瞻性或回顾性）。纳入标准涵盖在手术规划、结局模拟、术中支持、皮肤分析、患者评估或治疗个性化中的应用，以及对临床结局、工作流程效率或美容或重建实践中安全性改善的评估。排除标准包括非原创性作品（如系统评价或叙述性评价、信件、会议摘要）、与美容手术无关的研究、未经同行评审的研究、重复数据或缺乏关键评估所需方法学细节的研究。
标题和摘要筛选由三位审稿人（R.A.、T.N.、Y.S.）独立进行，随后进行详细的全文评估。分歧通过与资深审稿人（A.G.L.、D.H.）协商解决。
质量评估采用推荐意见分级评估、开发与评价（GRADE）框架评估跨结局的证据确定性，以提供对方法学局限性、不一致性、间接性、不精确性和潜在发表偏倚的结构化评估。此外，使用纽卡斯尔-渥太华量表（NOS）评估每项纳入研究的方法学质量，该量表评估三个关键领域：（i）研究队列选择；（ii）组间可比性；（iii）结局确定。NOS最高授予9颗星，分数越高反映质量越优。同时，应用牛津循证医学中心证据水平（LOE）框架进行标准化证据分级，将随机对照试验和系统评价指定为I级证据，并根据临床意义和实用价值评估观察性研究和病例报告。
数据提取采用标准化双审稿人提取流程以保持一致性并最小化偏倚。对于每项纳入研究，研究人员系统记录并交叉核对以下参数：数字对象唯一标识符、第一作者姓氏、研究标题、研究类型、发表年份、发表地区、手术类型（如外科技术、激光应用、靶向身体部位、皮肤分析）、所用AI、AR或机器人技术类型、AI在外科测绘、手术规划和/或结局预测中的作用、机器人整合到外科和非手术程序中的描述、AI在美容风险预测中的应用、患者安全、AR应用、总体研究结局，以及强调AI、AR或机器人在美容手术或结局评估中作用的一句话摘要。
结果
大多数研究在欧洲（n=21, 38%）、亚洲（n=20, 36%）和北美洲（n=10, 18%）进行。在纳入研究中，33篇（60%）利用基于患者成像方法的AI，5篇（9.1%）将AI应用于个体患者风险评估、结局预测和术中手术策略调整。在纳入研究中，17篇（31%）采用传统计算机视觉技术，9篇（16%）使用ML模型，6篇（11%）实施DL架构，6篇（11%）特别依赖基于神经网络的方法如ANN或CNN。9篇（16%）研究调查了机器人技术在美容手术中的应用，8篇（15%）研究了AR在美容手术中的应用。使用GRADE框架的证据确定性范围为低到中等，主要由于研究设计局限性和多项技术的外部验证有限。LOE范围从5级（基础证据）到1b级。NOS平均（标准差）评分为4.9（1.5），表明总体方法学严谨性为低等到中等。
AI增强患者图像分析
基于图像的AI增强皮肤分析
ML和基于DL的图像分析系统现已成为皮肤美容评估的核心。现代系统结合从标准二维摄影到高分辨率三维测绘的成像模式，与先进的ML模型如CNN、生成对抗网络和Transformer架构相结合。VISIA
?、OBSERV
? 520x、LifeViz
? Micro及支持ML的应用程序等平台能够准确量化皱纹、色素沉着、血管病变、毛孔大小和表面纹理。Huang等发现OBSERV
? 520x在色素沉着评分方面与改良黄褐斑面积和严重程度指数（MASI）的临床相关性优于VISIA
?，而Linming等则证明了ANTERA 3D
?在皱纹和毛孔检测方面的优越性，突出了设备间变异。
皱纹分析已从基于Gabor的形态学发展到混合增强算法和实时、表情敏感的系统如VIS。超越诊断，CNN支持治疗监测和患者咨询：Alrabiah等使用Inception-v3+MTCNN分类前额皱纹以辅助填充剂规划（准确率85%），Georgievskaya等引入了年龄和性别调整评分用于个性化基准，Kang等结合标志点检测、年龄估计和情绪识别评估唇部填充剂效果，显示感知年龄降低和面部表情平衡改善。在面部手术中，CAARISMA
? ARMM为面部美容手术提供客观的术后美学评分。
用于手术规划和引导的容积图像AI
超越皮肤表面分析，三维分析器还能实现容积评估以帮助指导美容外科医生。在面部美容手术中，Zinser等实施了用于无咬合板正颌手术的图像引导可视化显示，实现了毫米级精度。在乳房手术中，Sforza等使用计算机视觉整合的三维成像规划混合假体-脂肪移植隆乳，而Lee等应用VECTRA XT三维建模预测术中假体容积以实现最佳对称性。基于AI的模拟还改善了术前患者沟通，如Chinski等在鼻整形中使用GAN生成的视觉效果，以及Chartier等在隆乳中使用BreastGAN。DL还支持风险预测和患者选择，Li等采用XGBoost算法术前筛选美容手术候选者。在体形雕塑中，Adjadj等使用与CryoSlim冷冻溶脂设备整合的ML系统USER ASSIST
?，根据患者特定脂肪特征动态调整治疗参数，导致大腿围度和皮下脂肪显著减少、满意度高且不良反应最小。同样，Crisalix基于云的3D模拟软件已应用于乳房手术，Vorstenbosch等证明了其对隆乳术后美学结局的中等准确度预测，尤其在对称乳房中，而Markovic等则强调其作为低成本、易操作且因此实用的乳房容积估计替代方案的价值。总体而言，这些技术正推动美容实践向数据驱动范式转变，通过客观基线分析指导治疗选择，通过精确的基于图像的指标完善手术规划，实现风险分层，并以可量化指数跟踪纵向结局。然而，大多数AI算法仍局限于实验或研究环境，尚未实现与常规临床工作流程的广泛整合。尽管如此，数个平台已达到商业部署水平，并在临床环境中用于咨询、治疗规划或术后结局评估。
美容手术中机器人技术的进展与临床应用
面部美容手术是机器人技术潜在应用的范例。有前景的尸体研究展示了通过除皱切口进行精准、无震颤的颈阔肌成形术，而Smith等在肋软骨雕刻用于鼻尖重建中实现了亚毫米精度（均方根误差≤0.43 mm），将雕刻时间缩短最多8分钟。在下颌轮廓整形中，Lin等采用CPSR-I系统配合AR驱动力反馈，报告平均钻孔误差为1.38 mm，无并发症且患者满意度高。
微创美容治疗同样取得进展。Lim等和Park等的机器人激光脱毛系统实现了均匀、亚毫米精度，并比医生主导的治疗获得更大毛发减少率（49% vs. 30%）。在毛发修复中，Zhu等发现ARTAS AI引导系统与手动毛囊单位提取（FUE）的获取率相当（82% vs. 90%），通过ML支持的毛囊识别减少了特定毛囊类型的横断但丢弃率更高。重要的是，美容手术中识别的大多数机器人应用仍处于临床前或早期试点阶段，仅有限数量的商业部署系统如机器人毛发修复平台。总体而言，这些研究凸显了机器人技术在美容手术中更广泛应用可能实现的高技术精度、更小切口或入路、更短恢复时间和更优美学满意度。
美容手术中的增强现实
AR技术已成为美容和颌面手术中的有价值的工具，提供增强的可视化、手术精准度和患者特异性规划，且不干扰手术流程。在正颌应用中，Badiali等验证了WARM头戴式AR设备用于无咬合板LeFort I型上颌骨 repositioning，在不同计划复杂度下实现平均位置误差低于2 mm，且不受操作者经验影响。同样，Wang等开发了GPU加速、无标志物的AR导航系统，实现口腔颌面外科导航约1 mm的注册精度。AR还与机器人技术结合，如Lin等所示，机器人辅助臂执行AR规划的钻孔路径用于下颌角劈开截骨术，与手动方法相比显著降低了位置和角度误差。
在面部整形和非手术美容程序中，AR促进术中评估和并发症预防。在注射治疗中，Kim等应用基于DL的AR面部测绘以亚毫米精度引导肉毒毒素注射，而Mespreuve等和Waked等使用基于磁共振血管成像（MRA）的AR可视化投影患者特异性面部动脉解剖，旨在最小化真皮填充剂注射期间坏死和失明等风险。超越安全性，AR还增强患者参与度和满意度，如La Padula等所示，基于AI的AR模拟在隆乳中改善了术前规划并显著提高BREAST-Q评分。虚拟现实还被报道用于填充剂注射培训，提高医学 trainees 的安全性和解剖景观意识。总体而言，这些研究强调了AR在美容医学中作为增强精准度、面向安全和以患者为中心的技术日益增长的作用。然而，文献中报道的大多数AR系统仍为试点或研究阶段技术，在专门研究环境外的常规临床部署有限。
美容手术中AI驱动的风险预测和结局预测
ML模型已越来越多地应用于美容手术的个体化风险评估和结局预测，改善患者选择和安全性。Cazzaniga等开发ANN模型预测白癜风患者接受准分子激光治疗的治疗反应和复色时间。使用病变水平和人口统计学数据，其判别网络在分类应答者与非应答者方面比经典回归模型更准确。在更广泛的手术背景下，Bukret等应用支持向量机（SVM）模型跨多种美容手术（如隆乳、吸脂和腹壁整形）基于BMI、年龄和Caprini评分分层并发症风险，实现了手术风险分层，有助于更安全的患者选择。Montemurro等采用基于ML的分类和回归树（CART）算法识别原发隆乳并发症的确立和新发现的预测因素。较大术前乳房尺寸、较高身高、BMI和年龄等变量成为显著风险因素，模型在训练中达到99.8%准确率、测试中达到99.1%准确率。在此基础上，Huyghebaert等使用CART、随机森林和XGBoost算法评估单期隆乳乳房固定术的风险，识别BMI、年龄、吸烟状态和假体特征作为并发症和假体更换决策的关键决定因素。总体而言，这些研究说明了ML驱动模型如何在美容手术中提供精确的个体化风险评估和结局预测，增强患者安全性和手术决策。
讨论
AI、AR和机器人技术正通过增强诊断精准度、优化手术规划、提高手术精度和实现个性化治疗策略迅速改变医疗保健。在美容医学和手术中，这些技术正从实验工具演变为临床相关辅助手段，通过客观分析、风险分层和实时术中指导支持外科和非手术干预。其整合有望改善安全性、效率和患者满意度，使美容结局更密切地与个体化目标对齐。
需要承认的是，AI术语宽泛，且该技术常与另外两项技术相关联；本系统评价证实当今临床医生可以在美容手术术前、术中和术后使用这三种工具。在咨询和任何干预前，医生可以依赖ML算法识别美容手术的合适候选者， resulting in 以患者为中心的美容路径。这些工具还增强了与患者就风险和预期获益进行沟通。在美容手术方面，这些工具 importantly 展示了可在患者和从业者之间协作评估的视觉预期，类似于纹身前转印纸的使用，这有助于减少模糊性并管理期望。
通过验证和同行评审的软件，美容医生现可进行计算机视觉和ML辅助临床检查，提供更精确和可重复的皮肤分析，以及帮助从业者和患者靶向特定关注区域的三维建模。AR还支持咨询期间的沟通和决策。例如，Arbrea
? Breast Software结合AR和ML促进医生-患者在假体选择方面的共同决策，提高患者满意度。此外，在美容医学中，虚拟现实使医生能够接受填充剂注射技术培训。AI和AR正共同成为临床中真正的决策支持和沟通工具。
在美容手术过程中，实时数据分析可指导医生操作。例如，在冷冻溶脂中，配备USER ASSIST技术的设备自动调整治疗参数以调节强度。同样，在正颌手术中，AR辅助术中导航确保更紧密地遵循术前规划。AR在此处高度相关：在正颌美容手术中，颌面外科医生现可使用头戴式AR显示器将术前计划直接投影到患者身上。按照相同原理，美容医生可通过遵循肉毒毒素注射前的预注射测绘或在填充剂放置前可视化主要面部动脉来完善其技术。
在此阶段，机器人技术也开始发挥作用。在美容手术中，机器人自动化目前主要应用于重复性、标准化任务如激光脱毛或毛发修复。在面部美容手术中，机器人技术正通过采用重建技术来增强安全性和精准度，这些技术最小化切口尺寸并通过器械集成摄像头改善可视化。这些早期将AI、虚拟现实和机器人技术整合到美容医学实践中的有希望的尝试，实现了更精确、精细和更安全的手术以及更好的结局。迄今为止，尸体研究表明机器人辅助可能很快在美容手术中可行，尤其对于深平面除皱和复杂鼻整形等精准度和关键结构保护至关重要的手术。
在术后期间，医生和患者仍是结局的最终评判者。虽然患者满意度至关重要，ML工具可引入一定程度的客观性。例如，皮肤质量的改善可使用多个商业可用软件平台量化。在美容医学和手术中，已发表的客观结局评估应用目前主要集中在唇部 augmentation、鼻整形、正颌手术和隆乳。最后，基于ML的CAARISMA
? ARMM平台为用户提供美学和感知年龄指数，允许前后比较，提供新的术后客观评估工具。
与文献相比，当前见解日益强调AI、AR和机器人技术在美容手术中的变革潜力。AI应用已从使用传统计算机视觉的早期基于图像的分析和模式识别，扩展到能够整合人口统计学、临床和成像数据进行个性化治疗规划和风险分层的复杂ML或多模态系统。AR平台已证明通过实时解剖叠加改善手术精准度，以及通过可视化干预前后的可能结局增强患者参与度的价值。所有AR相关同行评审研究均聚焦于面部美容手术和医学，凸显了AR在体形雕塑程序中评估的显著缺失。
机器人技术在纯美容手术中的应用仍主要处于实验阶段。在面部美容手术中，其发展 struggled to gain a foothold，因为少数可用的研究通常质量中等，不能提供充分证据确定其效用。其与AR的共同目标是增强精准度、实现微创入路并通过先进可视化改善安全性。与其他专科相比，其较慢的采用可归因于美容手术对此类技术的 seemingly lower necessity，以及其高成本和缺乏专门培训。美容医学的进展存在于公司已开发能够注射透明质酸的机器人臂；然而，尚无研究调查该设备的性能。
比较这三个领域凸显了临床转化阶段的明显差异。AI目前代表美容实践中最成熟的技术，具有用于图像分析、手术规划和客观结局评估的多个验证应用，如基于VECTRA
?的容积分析和ML驱动的美学评分平台。AR似乎处于中间阶段，虽有研究证明其在术中导航和解剖可视化方面的有前景的准确性，但这些应用仍主要局限于研究环境，尚未实现广泛的临床采纳，其采用受到实时注册、硬件人体工学和工作流程整合等挑战的限制。相比之下，机器人技术在美容手术中仍主要处于实验阶段，当前应用大多限于专门任务。这些差异表明AI正在推动临床实施，而AR和机器人技术仍在向更广泛的美容工作流程整合推进。
然而，将这些获益转化为常规实践需要克服技术、监管和伦理障碍，同时确保患者安全性和临床疗效仍然至关重要。AI模型的准确性和可重复性高度依赖数据集质量，而美容医学中数据集常因样本量小、地理和人口统计学限制导致缺乏多样性以及主观结局指标而受限。迄今为止，这些模型在地理受限数据集上训练，可能无法反映全球面部特征、皮肤类型和美学偏好的变异。例如，Linming等主要使用源自中国人群的数据集评估皮肤成像算法，而Georgievskaya等分析的自拍数据集通常区域集中且人口统计学不平衡。同样，AI面部吸引力评分系统如Face++主要依赖源自亚洲人群的数据集。在这些研究中，作者建议美学评估应在相同区域人群中解释；然而，这种方法存在延续算法偏见而非提高基于AI的美学评估在不同患者群体中泛化能力的风险。
AR实施可能受到工作流程整合挑战、动态手术领域中精确注册Accuracy需求，以及过度依赖视觉增强而牺牲触觉技能发展的潜在问题所阻碍。机器人技术引入的财务、后勤和培训负担可能限制广泛采用，尤其在较小实践中，并引发关于设备故障或算法错误情况下责任的问题。事实上，基于算法的决策支持、术中指导或自动化程序的引入不可避免地引发关于错误或不良结局情况下问责制的问题。
如近期文献强调，软件开发者、设备制造商和医生之间的责任归属等问题仍未解决。从法律和伦理角度，AI和AR在美容干预中的使用需要对知情同意、数据安全和算法决策透明度进行更严格审视。美容医学的商业性质也引发了对技术驱动治疗过度推广的潜在担忧，而缺乏充分的纵向结局数据。为解决这些伦理问题，需要为AI辅助工具在美容医学中的临床使用建立明确的治理框架。知情同意应明确披露AI在咨询或治疗规划中的作用，包括算法分析的性质、其局限性以及偏见或预测错误的潜在性。患者还应被告知AI输出仅作为咨询工具还是影响临床建议。值得注意的是，尽管用于美容咨询的AI平台数量日益增长，但尚无平台获得美国食品药品监督管理局等监管机构作为医疗器械软件的正式批准，大多数系统作为咨询或可视化工具而非临床决策支持设备销售。新兴监管框架包括欧盟人工智能法案和医疗器械软件法规，强调透明度、可追溯性和人类监督。在此模式下，开发者仍负责算法验证和安全性，而医生保留最终临床决策权。 nonetheless，在基于证据的框架内实施时，这些技术提供明确的潜在获益：改善手术精准度、降低并发症率、增强患者满意度，以及通过决策支持系统和远程指导民主化专业知识的潜力。
本综述存在若干局限性，反映文献现状和评估AI、AR及机器人技术在美容手术中应用的固有挑战。首先，大多数纳入研究基于小规模、异质性患者队列，常缺乏标准化结局指标，限制了可比性和泛化性。此外，AI模型的训练数据集在规模和人口统计学多样性方面常受限，引发对潜在算法偏见的担忧，尤其是当不同种族、地区和文化的审美规范和感知存在显著差异时。区域间手术偏好和结局期望的变异进一步使研究结果向全球背景的推论复杂化。纳入研究设计差异很大，从早期可行性和技术验证研究到前瞻性队列研究和随机对照试验。这种方法学方法的异质性进一步限制了报告结局的直接可比性和更广泛适用性。相应地，方法学严谨性总体为低等到中等，以回顾性设计为主且纵向随访有限，阻碍了对持续临床获益或安全性的评估。此外，由于实质性研究异质性和经常缺乏清晰报告的数字结局数据，定量综合不可行，因此应用GRADE方法评估纳入研究的证据确定性。美容干预的选择性质放大了关于患者同意、数据隐私和算法决策透明度的伦理考量，尤其在商业环境中营销压力可能影响技术采用的情况下。上述因素限制了研究发现如何应用于临床实践以及可从该证据中得出的结论。因此，报告结果应谨慎解释，并视为探索性而非确定性的。
结论
AI、AR和机器人技术可以重新定义美学实践。从传统计算机视觉演变为DL，AI现支持高级图像分析、风险预测和结局模拟；AR提高手术精准度、程序安全性和患者参与度；机器人技术有潜力提供具有亚毫米精度和更快恢复的微创方法，尽管其在美容实践中的实施记录不足。然而，其前景受到证据质量、数据集多样性、工作流程整合、成本、培训和伦理监督等挑战的平衡。鉴于当前研究的稀缺性和有限严谨性，结果应谨慎解释，临床获益仍不确定。更广泛的采用需要稳健的试验、标准化方案、透明算法和强有力的监管，以确保美容手术中公平、基于证据的创新。负责任地应用时，这些工具旨在增强而非替代临床专业知识。
