Может ли ИИ оценить результат ботулинотерапии по фотографии

Зачем понадобилось это исследование

Ботулотоксин блокирует высвобождение ацетилхолина в нервно-мышечном синапсе и временно расслабляет мышцы, смягчая динамические морщины. Основная зона применения - верхняя треть лица: лоб (лобная мышца), межбровье (мышца, сморщивающая бровь, и мышца гордецов) и область вокруг глаз (круговая мышца глаза).

Результат врачи оценивают по морщинам - то есть глазами. Даже при использовании структурированных шкал такая оценка субъективна и зависит от опыта специалиста. Поэтому давно ищут способы объективизировать оценку.

Новые мультимодальные модели искусственного интеллекта умеют анализировать и текст, и изображения. В медицине их результаты неоднородны: в одной работе, например, модель почти полностью совпала с пластическими хирургами в оценке показаний к подтяжке лица по фотографиям. Но может ли ИИ распознать на фотографии эффект ботулотоксина, никто не проверял.

Немецкие авторы (I. Güler, H. Stelling и соавторы, журнал Toxins, 2026) решили проверить, способны ли четыре современные мультимодальные модели по одиночной фотографии, без сравнения «до» и «после» и без истории лечения, определить, был ли пациент пролечен, и оценить морщины в отдельных зонах как косвенный признак активности мышц.

Почему это важно для практики? Объективная оценка результата нужна не только для научных исследований. Она помогает разрешать споры с пациентами, сравнивать препараты и техники, подбирать дозы при повторных процедурах. Идея автоматической оценки по фотографии выглядит заманчиво: пациент мог бы загрузить снимок, а система - оценить эффект и подсказать, когда пора повторить процедуру. Исследование проверяет, насколько эта идея реальна уже сейчас.

Как проводили

Это наблюдательное исследование с повторными запусками. Использовали 46 фотографий из общедоступного набора данных Kaggle: 23 снимка до и 23 после инъекций ботулотоксина в верхнюю треть лица. Сведений о препарате, дозах и технике не было.

«Правильные ответы» имели два уровня. Состояние лечения (до или после) брали из структуры набора данных. Наличие морщин в каждой из трёх зон определили по консенсусу нескольких сертифицированных пластических хирургов с опытом инъекций ботулотоксина.

Тестировали четыре модели: GPT-5.4 Pro (OpenAI), Grok 4.1 (xAI), Gemini 3.1 Pro (Google DeepMind) и Claude Opus 4.6 (Anthropic). Доступ - через официальные веб-интерфейсы со стандартными настройками, как это обычно делает врач или исследователь.

Каждую фотографию каждая модель оценивала пять раз в новой сессии, без памяти и подсказок, по одинаковому запросу. Модель должна была ответить: «до» или «после»; есть ли морщины на лбу, в межбровье и вокруг глаз; тяжесть морщин в каждой зоне по шкале 0-4; кажущийся возраст.

Основные показатели - средняя точность по пяти запускам, чувствительность и специфичность и воспроизводимость между запусками (каппа Флейсса). В качестве «наивного» ориентира использовали долю наиболее частого класса: модель, которая всегда отвечает одно и то же, получила бы именно такую точность. Тяжесть и возраст анализировали описательно, без статистических тестов.

Обратите внимание на постановку задачи: модель видела только одну фотографию, без снимка «до» для сравнения. Это сложнее, чем обычная клиническая ситуация, когда врач сравнивает фото до и после. С другой стороны, это проверка того, «понимает» ли модель признаки действия ботулотоксина как таковые, - например, характерное разглаживание лба или межбровья.

Что получилось: «до» или «после»

Gemini 3.1 Pro и Claude Opus 4.6 определили состояние лечения во всех случаях правильно - точность 100% с полной воспроизводимостью (каппа 1,000).

GPT-5.4 Pro показал в среднем 63,0 ± 6,9% (от 52,2 до 69,6%) при умеренной воспроизводимости (каппа 0,389). Grok 4.1 - 48,3 ± 4,2%, то есть хуже случайного угадывания (50%), с каппой −0,027.

Анализ ошибок показал перекосы. Grok 4.1 почти никогда не называл снимок «после» (чувствительность 0,9%), а GPT-5.4 Pro делал это редко (чувствительность 38,3%) - обе модели склонялись к ответу «до».

Что получилось: морщины по зонам

Здесь задача оказалась намного сложнее. На большинстве снимков морщин не было: на лбу их не было на 65,2% снимков, в межбровье - на 73,9%, вокруг глаз - на 78,3%. Модель, всегда отвечающая «морщин нет», получила бы именно такую точность.

Лоб: Gemini 3.1 Pro - 71,3 ± 18,3% с большими колебаниями между запусками (от 39,1 до 82,6%); Claude Opus 4.6 - 64,8 ± 3,6% при почти идеальной воспроизводимости (каппа 0,808); GPT-5.4 Pro - 57,0%; Grok 4.1 - 35,7%.

Межбровье: Gemini 3.1 Pro - 82,6% и Claude Opus 4.6 - 77,8% превзошли ориентир; GPT-5.4 Pro - 71,3%; Grok 4.1 - 27,0%.

Область вокруг глаз: только Claude Opus 4.6 превзошёл ориентир - 82,6 ± 4,3% (каппа 0,601); Gemini 3.1 Pro - 60,0%, GPT-5.4 Pro - 50,0%, Grok 4.1 - 25,2%.

Grok 4.1 находил морщины почти везде (чувствительность 90-97,5% при специфичности 2,4-7,2%), GPT-5.4 Pro делал то же в меньшей степени. Наиболее сбалансированным был Claude Opus 4.6. Ни одна модель не превзошла ориентир во всех трёх зонах.

Такие результаты показывают важную ловушку: высокая «точность» в несбалансированной задаче может ничего не значить. Если на трёх четвертях снимков морщин нет, модель, которая всегда отвечает «нет», окажется права в 75% случаев, не анализируя изображение вовсе. Поэтому авторы сравнивали результаты именно с таким «наивным» ориентиром, а не с 50%.

Сводные и дополнительные результаты

Средняя точность по четырём задачам: Claude Opus 4.6 - 81,3%, Gemini 3.1 Pro - 78,5%, GPT-5.4 Pro - 60,3%, Grok 4.1 - 34,0%. По воспроизводимости лидировал Claude Opus 4.6 (каппа 0,601-1,000); Gemini 3.1 Pro был полностью стабилен в определении лечения, но умеренно - в морщинах; у Grok 4.1 ответы менялись от запуска к запуску независимо от снимка.

Тяжесть морщин три из четырёх моделей оценивали выше на снимках «до». Наибольшие различия дали Gemini 3.1 Pro (лоб +1,75, межбровье +1,10, вокруг глаз +1,07 балла) и Claude Opus 4.6 (лоб +1,39, межбровье +0,92). Интересно, что у Claude различие вокруг глаз было минимальным (+0,11), хотя наличие морщин там он определял лучше всех.

Кажущийся возраст почти не зависел от лечения: у GPT-5.4 Pro разница составила 3,7 года (41,3 против 37,6), у Grok 4.1 - 1,4 года, у Gemini - 0, у Claude - 0,2 года.

Как авторы объясняют результаты

Идеальное определение «до» и «после» двумя моделями может отражать глубину морщин, текстуру кожи, тонус мышц вокруг глаз и лба. Но авторы предупреждают: модели могли опираться и на общие признаки - текстуру, освещение, обработку снимков, - а не на местное действие токсина. Сбалансированный набор и возможное присутствие похожих снимков в данных для обучения могли помочь.

Определение морщин по зонам - более прямой показатель работы мышц - оказалось ненадёжным. Одна из причин - статичные фотографии не показывают сокращение мышц, а морщины в покое отражают и качество кожи, и фотостарение, и «вытравленные» годами складки.

Авторы подчёркивают: воспроизводимость важна не меньше точности. Модель, которая иногда права, но не может повторить свой ответ, не даёт полезной информации. Однократное тестирование скрыло бы эту нестабильность.

Практический вывод авторов категоричен: современные мультимодальные модели не подходят для клинической оценки результата ботулотоксина. Опытный врач определяет эффект надёжнее и быстрее, а многократные запросы к ИИ отнимают много времени без клинически полезной информации.

Ограничения

Авторы перечисляют: всего 46 снимков; только статичные фотографии; нет данных о препарате, дозах и технике; модели использовались через веб-интерфейсы без контроля параметров генерации; снимки могли присутствовать в обучающих данных; модели могли использовать особенности конкретного набора (освещение, обработку); простой запрос без примеров; оценки тяжести и возраста не имели эталона; один источник данных; результаты относятся к версиям моделей на март 2026 года и могут измениться.

Ещё одно ограничение: «правильный ответ» о состоянии лечения брался из разметки набора данных и независимо не проверялся. Статистических тестов не проводилось, все сравнения описательные. В тексте есть небольшие несоответствия в значениях каппы между таблицей и текстом.

Финансирования не было, конфликта интересов авторы не заявили. Для редактирования текста и части кода использовался Claude Sonnet 4.5, что раскрыто в статье.

Отметим также, что авторы использовали общие модели, не обученные специально на медицинских изображениях. Специализированные системы, обученные на тысячах стандартизированных снимков с разметкой врачей, могут работать значительно лучше; это исследование их не оценивало.

Что взять в практику

Оценивать результат ботулотоксина с помощью общедоступных чат-ботов с ИИ пока не стоит: даже лучшие модели плохо и непоследовательно определяют морщины в конкретных зонах.

Объективная документация результата по-прежнему строится на стандартизированных фотографиях в покое и при максимальном сокращении мышц и на валидированных шкалах морщин, которые заполняет врач.

Исследование полезно как напоминание: прежде чем доверять ИИ-инструменту в клинике, нужно проверить, даёт ли он одинаковый ответ при повторных запросах. Однократный «впечатляющий» результат может быть случайным.

Вопросы, которые задают пациенты

«Может ли ИИ по фото оценить, хорошо ли сделан ботокс?» Пока нет. Две модели правильно определяли, был ли пациент пролечен, но оценка морщин в отдельных зонах была ненадёжной.

«Определит ли нейросеть, сколько мне лет и помолодела ли я после ботокса?» В исследовании оценка возраста почти не менялась после лечения - разница составила от 0 до 3,7 года в зависимости от модели.

«Почему врач делает фото, когда я хмурюсь?» Морщины от ботокса - динамические, их лучше видно при сокращении мышц. Фото в покое, как показала и эта работа, многое не отражают.

«Можно ли доверять онлайн-сервисам оценки кожи?» С осторожностью. Ответы ИИ могут различаться при повторных запросах одного и того же снимка.

«Заменит ли ИИ врача-косметолога?» Авторы считают, что пока это исследовательские инструменты, а оценка опытного специалиста остаётся эталоном.

«Какая нейросеть лучше всего справилась?» В этом тесте лучшие средние результаты показали Claude Opus 4.6 и Gemini 3.1 Pro, но даже они ошибались в оценке отдельных зон, а результаты относятся к версиям моделей на март 2026 года.

Термины

Мультимодальная модель ИИ

система искусственного интеллекта, способная обрабатывать одновременно текст и изображения

Каппа Флейсса

показатель согласованности нескольких оценок; 1 - полное совпадение, 0 - согласие не выше случайного

Чувствительность и специфичность

доли правильно распознанных положительных и отрицательных случаев

Динамические морщины

морщины, возникающие при сокращении мимических мышц; основная мишень ботулотоксина