Text-to-image model for prostaglandin-associated periorbitopathy counseling: a proof-of-concept study
Notice bibliographique
Résumé
To assess the feasibility and utility of a text-to-image artificial intelligence (AI) model in enhancing patient counseling on the cosmetic side effects of prostaglandin analogue (PGA) therapy. Cross-sectional study. Pre- and post-treatment periocular photographs of PGA-treated patients were collected. To simulate bilateral pre-treatment appearance, untreated eyes were mirrored. The Generative Fill feature powered by Adobe Firefly was applied to masked orbital regions, using descriptive text prompts to generate visualizations of prostaglandin-associated periorbitopathy (PAP), including upper eyelid ptosis, enophthalmos, and hypertrichosis. Prompts were iteratively refined to closely replicate known treatment-related changes. The AI model successfully produced visually realistic images within two minutes that closely resembled the actual post-treatment appearance of PAP. Key manifestations such as eyelash hypertrichosis, enophthalmos, deepened upper lid sulcus, and ptosis were effectively simulated using tailored prompts. This proof-of-concept study demonstrates that text-to-image AI may serve as a novel, rapid, and personalized tool for visualizing potential cosmetic side effects of PGA therapy. By enabling patients to preview changes on their own faces, this technology may enhance informed consent, set realistic expectations, and improve treatment adherence. Future research should evaluate patient perceptions, the accuracy of AI-generated outcomes, and integration into clinical workflows.
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 | 0,000 | 0,000 |
| 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 ».