ÖZ
Amaç
Bu çalışmanın amacı Gemini 2.5 Flash Image modelinin (Nano Banana; Google LLC, Mountain View, CA, ABD) çoklu perioküler ve ekstraoküler patoloji ve görünümle ilişkili bulguların klinik görüntülerinin düzeltme performansını ve gerçekliğe yakın görüntü üretebilme yeteneğini değerlendirmektir.
Yöntemler
Bu retrospektif çalışma, dokuz perioküler/ekstraoküler patolojiyi ve görünümle ilişkili bulgularını temsil eden 45 standart klinik fotoğrafı içermektedir. Her görüntü, Gemini 2.5 Flash Image kullanılarak tek adımlı, patolojiye özgü metin komutlarıyla düzenlenmiştir. İki bağımsız değerlendirici, görüntüleri patoloji düzeltme (Q1) ve doğallık (Q2) açısından 5 sorulu Likert ölçeği ile skorlamıştır. Ordinal istatistikler, Gwet’in uyum katsayısı (AC) ve çok düzeyli kümülatif lojistik modeller kullanılmıştır.
Bulgular
Her iki değerlendiricide de Q1 ve Q2 için medyan skorlar yüksekti. Q1’de ≥4 puan alan görüntülerin oranı %84-91 iken, Q2’de tüm görüntüler %100 olarak değerlendirildi. Gözlemciler arası uyum mükemmeldi (Q1 AC=0,9466; Q2 AC=0,9878). En yüksek düzeltme performansı blefaroptoz ve ekzotropya vakalarında gözlenirken, alt kapak blefaroplasti ihtiyacı olan vakalarda ve tiroid okülopatili vakalarda göreceli olarak daha düşük düzeltme elde edildi.
Sonuç
Metin komutlarına dayalı büyük dil modeli tabanlı görüntü düzenleme yaklaşımı, çoğu patolojide yüksek gerçekçilik ile birlikte klinik olarak anlamlı düzeltme sağlamıştır. Bu yöntem, geniş veri setlerine bağımlı geleneksel görüntü üretme modellerine pratik bir alternatif olarak görünmektedir.
Anahtar Kelimeler:
Yapay zeka, görüntü düzenleme, perioküler/ekstraoküler patoloji düzeltme, Gemini 2.5 Flash Image, bilgisayar destekli görüntü işleme, Nano Banana
Kaynaklar
1Sonmez SC, Sevgi M, Antaki F, Huemer J, Keane PA. Generative artificial intelligence in ophthalmology: current innovations, future applications and challenges. Br J Ophthalmol. 2024;108:1335-40.
2Waisberg E, Ong J, Kamran SA, Masalkhi M, Paladugu P, Zaman N, et al. Generative artificial intelligence in ophthalmology. Surv Ophthalmol. 2025;70:1-11.
3Phipps B, Hadoux X, Sheng B, Campbell JP, Liu TYA, Keane PA, et al. AI image generation technology in ophthalmology: use, misuse and future applications. Prog Retin Eye Res. 2025;106:101353.
4Feng X, Xu K, Luo MJ, Chen H, Yang Y, He Q, et al. Latest developments of generative artificial intelligence and applications in ophthalmology. Asia Pac J Ophthalmol (Phila). 2024;13:100090.
5Ritschl LM, Classen C, Kilbertus P, Eufinger J, Storck K, Fichter AM, et al. Comparison of three-dimensional imaging of the nose using three different 3D-photography systems: an observational study. Head Face Med. 2024;20:7.
6Chang JB, Small KH, Choi M, Karp NS. Three-dimensional surface imaging in plastic surgery: foundation, practical applications, and beyond. Plast Reconstr Surg. 2015;135:1295-304.
7Jin K, Yu T, Ying GS, Ge Z, Li KZ, Zhou Y, et al. A systematic review of vision and vision-language foundation models in ophthalmology. Adv Ophthalmol Pract Res. 2025;6:8-19.
8Fortin A, Vernade G, Kampf K, Reshi A. Introducing Gemini 2.5 Flash Image, our state-of-the-art image model. Google Developers Blog. 26 Aug 2025.
9Moon S, Lee Y, Hwang J, Kim CG, Kim JW, Yoon WT, et al. Prediction of anti-vascular endothelial growth factor agent-specific treatment outcomes in neovascular age-related macular degeneration using a generative adversarial network. Sci Rep. 2023;13:5639.
10Song T, Zang B, Kong C, Zhang X, Luo H, Wei W, et al. Construction of a predictive model for the efficacy of anti-VEGF therapy in macular edema patients based on OCT imaging: a retrospective study. Front Med (Lausanne). 2025;12:1505530.
11Cao J, You K, Jin K, Lou L, Wang Y, Chen M, et al. Prediction of response to anti-vascular endothelial growth factor treatment in diabetic macular oedema using an optical coherence tomography-based machine learning method. Acta Ophthalmol. 2021;99:e19-27.
12Xu F, Liu S, Xiang Y, Hong J, Wang J, Shao Z, et al. Prediction of the short-term therapeutic effect of anti-VEGF therapy for diabetic macular edema using a generative adversarial network with OCT images. J Clin Med. 2022;11:2878.
13Lee H, Kim N, Kim NH, Chung H, Kim HC. Generative deep learning approach to predict posttreatment optical coherence tomography images of age-related macular degeneration after 12 months. Retina. 2025;45:1184-91.
14Sun Y, Huang X, Zhang Q, Lee SY, Wang Y, Jin K, et al. A fully automatic postoperative appearance prediction system for blepharoptosis surgery with image-based deep learning. Ophthalmol Sci. 2022;2:100169.
15Yoo TK, Choi JY, Kim HK. A generative adversarial network approach to predicting postoperative appearance after orbital decompression surgery for thyroid eye disease. Comput Biol Med. 2020;118:103628.
16Pan B, Xia JJ, Yuan P, Gateno J, Ip HH, He Q, et al. Incremental kernel ridge regression for the prediction of soft tissue deformations. Med Image Comput Comput Assist Interv. 2012;15:99-106.
17Pan B, Zhang G, Xia JJ, Yuan P, Ip HH, He Q, et al. Prediction of soft tissue deformations after CMF surgery with incremental kernel ridge regression. Comput Biol Med. 2016;75:1-9.
18Kim J, Chin HS. Deep learning–based prediction of retinal structural alterations after ERM surgery. Sci Rep. 2023;13:19275.
19Kwon HJ, Heo J, Park SH, Park SW, Byon I. Accuracy of generative deep learning model for macular anatomy prediction in macular hole surgery. Sci Rep. 2024;14:6913.
20Wu X, Wang L, Chen R, Liu B, Zhang W, Yang X, et al. Generation of fundus fluorescein angiography videos for health care data sharing.
21Balas M, Micieli JA, Wulc A, Ing EB. Text-to-image artificial intelligence models for preoperative counselling in oculoplastics. Can J Ophthalmol. 2024;59:e75-e76.
22Jong S, Dihan QA, Khodeiry MM, Alzein A, Scelfo C, Elhusseiny AM. Evaluating text-to-image generation in pediatric ophthalmology. J Pediatr Ophthalmol Strabismus. 2025:1-7.
