Facial Aging in Thyroid Eye Disease: Quantification by Artificial Intelligence
Notice bibliographique
Résumé
This study aims to elucidate the effect of thyroid eye disease on perceived facial aging. In this cross-sectional cohort study, an artificial intelligence (AI) model (previously trained to infer patient age from facial photographs) was used to analyze facial aging changes in 2 groups: (1) TED patients and (2) age-matched controls. Standardized photos were analyzed from initial and final visits of patients with more than 5 years of clinic follow-up. The performance of the AI model was compared to that of an expert group composed of oculoplastic surgeons. Chronological, AI-inferred, and expert-estimated ages were compared. AI initially estimated TED subjects to be 4.3 years older than their actual age, compared to 0.63 years older in control subjects (P=0.005). At the final timepoint, TED patients were estimated to be 5.0 years younger than their actual age, compared to 1.4 years younger in controls (P=0.004). The mean difference between actual and AI-inferred change in age was 9.3 years for TED patients and 2.0 years for controls (P<0.001). Human experts tended to underestimate age across all groups and time points. The AI model was significantly more accurate than human experts in estimating the age of controls at the final time point. AI estimated that TED patients were older than their chronological age initially and younger than their chronological age at the final follow-up. This may be due to initial pathologic soft tissue volume expansion in TED, which may compensate for age-related soft tissue deflation.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».