グローバルAIの舞台に、アモーレパシフィック（AESTURA）が立ちました

今年の8月に済州（チェジュ）で開催されたKDD（Knowledge Discovery and Data Mining）2026には、世界各国のAI・データマイニング研究と産業への応用事例が集まりました。特にKorea Dayのステージでは、NAVER、LG、SKハイニックス、HD現代、サムスン電子、KRAFTONなど、おなじみのAIテック企業が一堂に会し、AI/AXの事例を共有しました。

そしてその中に、アモーレパシフィック（AESTURA）の姿がありました。皮膚科や化粧品関連の学会ではなじみのあるAESTURAが、本格的なデータ・AIの学会で「敏感肌AI」をテーマに登場したのです。この日、AX室長のアン・ジョンフン氏と仁川聖母病院のキム・ヘソン教授は、AESTURA、仁川聖母病院、AIビューティーテック開発チームが共同で研究した29種の皮膚病変予測AIと、それをもとにこれから切り開いていくビューティーAIの未来を紹介しました。

新しいAIモデルという成果の裏には、決して一文では語り尽くせない数多くの取り組みと試行錯誤が詰まっています。AESTURAがこれまで注力してきた敏感肌領域を、テクノロジーによってさらにきめ細かくサポートするには何を見るべきなのか。そして研究として意義のある技術を、実際のお客様の体験につなげるには、さらに何を確認すべきなのか。今回は、KDDの舞台裏にあったこうした取り組みをもう少し詳しくのぞいてみたいと思います。

50万件を超える肌診断、これからは「敏感肌」をより深く掘り下げていきます

AIビューティーテック開発チームは、肌診断AI技術を通じてお客様の肌状態を継続的に把握してきました。ビューティーコンシェルジュを通じて累計50万件を超える肌診断記録が蓄積されており、モバイルで撮影した写真によるAI測定と問診への回答をもとに、水分、油分、弾力、色素沈着、敏感など、さまざまな肌の状態を総合的に確認しています。

複数のブランドやチャネルで幅広く活用してきた肌診断技術を運用する中で、ずっと気になっていた領域が一つありました。それが「敏感」です。従来のビューティーコンシェルジュの肌診断における問診の回答を見ると、約63.5%のお客様が敏感肌に関連する症状を訴えていました。これほど多くのお客様が敏感肌の悩みを抱えているのであれば、単に「敏感です」と伝えるだけでなく、さらに一歩踏み込んで、どのような敏感症状が現れているのかをより細かく捉え、説明できるようにする必要があるのではないか。 そう考えるようになったのは自然な流れでした。

しかし敏感肌は、AI技術だけで簡単に診断範囲を広げられる領域ではありませんでした。肌に現れる兆候をどう解釈するかには専門的な判断と十分な根拠が必要で、技術チームの視点だけでその領域を広げるには、明確な限界がありました。次のステップへ進むことができたのは、AESTURAとともに、敏感肌に特化した診断について検討し始めてからです。従来の汎用的な肌診断技術をベースに、AESTURAが注力してきた敏感肌領域の知見と皮膚科専門医による専門的な判断を加えることで、「敏感」をより深く見つめ始めました。

たとえば、従来の肌診断において「赤み」は一つの測定項目です。しかし皮膚科の視点で見ると、同じように赤く見える肌でも、ニキビ、酒さ、アトピー性皮膚炎など、それぞれ異なる肌の状態で現れることがあります。つまり、一つの「赤み」の中にも、異なる肌の状態が隠れている可能性があるのです。この違いを見分けることができれば、肌診断の体験そのものも変わっていきます。単に「赤みがあります」と伝えるだけにとどまらず、肌にどのような兆候が現れているのかを、より具体的に捉えることができるからです。今後こうした情報が十分に検証・蓄積されれば、お客様への説明やカウンセリングはもちろん、ケアの方向性や製品のレコメンドも、より精緻なものにしていくことができます。今回の研究で29種の皮膚病変に着目し始めた理由も、まさにここにあります。従来の肌診断がお客様の肌を幅広く捉える基盤をつくったとすれば、今回はAESTURAとともに、「敏感」という一つの領域をもう少し深く掘り下げることに挑戦しました。

皮膚科専門医が、AI開発の最初から最後まで関わりました

AIに大量の画像を学習させるだけでは、皮膚病変を細かく分類するには十分ではありませんでした。画像のどのような特徴を病変と捉えるのか、その境界をどこまでとするのか、見た目が似ている病変をどう見分けるのかには、結局のところ皮膚科専門医の臨床的な判断が必要だったからです。

そこで今回の研究では、Dermatologists-in-the-Loopというアプローチを重視しました。AIビューティーテック開発チームがモデルを開発した後に専門医が最終結果だけをレビューするという、従来の方法から脱却したのです。その代わりに、皮膚科専門医がデータ収集からアノテーション（Annotation、AIが学習できるようデータにラベルを付ける作業）、そして最終的な検証・評価に至るまで、研究の全プロセスに直接参加しました。まず、データを準備する段階から多くの協議が必要でした。実際の患者の肌データを研究に活用する以上、どのようなデータをどのような方法で使用できるのか、またそのデータをどう受け渡し、保管するのか、個人情報やセキュリティの面で問題はないかを事前に入念に確認しなければなりませんでした。情報セキュリティセンターや法務チームとも何度も協議を重ね、研究データを信頼できる方法で活用するための基準を一つひとつ確認していきました。

アノテーションの段階では、29種の皮膚病変を専門医が画像データに直接マーキングできるよう、今回の研究目的に合わせたラベリングプログラムを別途開発して提供しました。医療スタッフにプログラムの使い方を説明した後、実際の症例を一緒に見ながら、病変のマーキング方法と基準をすり合わせていきました。この作業は、単に画像に「正解」を付けることとは少し異なります。開発者に必要なのはAIが学習できる一貫したデータでしたが、専門医が実際の患者の肌を見る視点には、はるかに多くの臨床的な文脈が含まれているからです。結局、今回の研究におけるアノテーションは、専門医の判断をAIが理解できるデータの言語に置き換える作業に近いものでした。

最後の検証段階でも、専門医が参加しました。AIによる予測結果が実際の皮膚病変をどの程度正確に捉えているのかを専門医の判断と照らし合わせながら確認し、数値上の性能だけでなく、臨床的にも意味のある結果を導き出せているかを検証しました。このように今回の研究において皮膚科専門医は、最後のチェック役ではなく、データを準備し、AIが学習する正解をつくり、その結果を検証する全プロセスのパートナーでした。信頼できるデータをつくり、そのデータを安全に扱い、専門家の判断を技術の中にしっかりと落とし込む一連の取り組みが、よいAIをつくるために必要だったといえます。

AIは実際の皮膚病変をどれだけ正確に捉えられたのでしょうか？

今回開発した皮膚病変予測AIは、Pixel-level（ピクセルレベル）とLesion-level（病変レベル）という2つの観点から性能を評価しました。まずPixel-level評価では、皮膚科専門医がマーキングした領域を基準に、AIがマーキングした病変の形と境界がピクセル単位でどれだけ正確に重なっているかを見ます。病変の位置だけでなく境界まで細かく一致する必要があるため、かなり厳格な評価方法です。Pixel-levelにおけるモデルのF1 Scoreは65.6%でした。

しかし今回の研究の目的を考えると、もう一つ重要な問いがありました。「専門医がアノテーションした病変の輪郭を、1ピクセルまで同じように描けたか」よりも、「専門医が病変と判断した位置を、AIも実際の病変として捉えられたか」という問いです。皮膚病変の境界は必ずしも明確ではありません。特に赤みのように肌の上に広く不規則に現れる病変は、同じ部位を見ても、どこまでを病変の境界として描くかが評価者によって少しずつ異なる場合があります。

そこで今回の研究では、Lesion-level評価を重視しました。Lesion-level評価は、AIが予測した病変領域と専門医がマーキングした病変領域が実際に重なっているかを確認して、AIの性能を評価する方法です。つまり、境界線をまったく同じに描けたかではなく、臨床的に意味のある範囲をきちんと捉えられたかに焦点を当てています。この点で、Lesion-level評価は、今後の肌診断サービスへの活用可能性を検討するうえでも、より実用的な評価だといえます。

Lesion-levelでは、モデルはRecall 95.2%、Precision 97.9%、F1 Score 96.6%を示しました。評価数値について説明すると、専門医が確認した実際の病変が100個あるとすれば、AIはそのうち約95個を見つけ出し（Recall、再現率）、AIが病変と認識した100個のうち約98個が実際の病変と一致しました（Precision、適合率）。F1 Score 96.6%は、病変を見逃さない力と、誤って病変と判定しない力のバランスが、全体として高い水準で取れていたことを意味します。

1枚の写真だけでは捉えきれない、より立体的な敏感肌診断へ

今回の研究を進める中で、新たにわかったこともありました。皮膚科専門医でさえ、1枚の写真だけで肌の状態を十分に判断するのは難しいという点です。実際の診療では、目に見える病変だけでなく、患者がどんな症状を感じているのか、いつから始まったのか、どんな状況で悪化するのかを、問診やヒアリングを通じてあわせて確認します。肌を最も専門的に診る皮膚科専門医もまた、結局は「見える肌」と「感じる肌」の両方を見ているのです。

従来のビューティーコンシェルジュの肌診断データにも、同じような傾向が見られました。お客様自身が感じている敏感さについての問診回答と、画像から測定した紅斑スコアとの相関は高くなく、「お客様が自覚する敏感さ」と「画像で測定される敏感さ」のどちらの基準を使うかによっても、敏感肌のお客様の範囲が変わりました。これは、今後の敏感肌診断が、画像から病変をより正確に見つけるだけでは完成しないということを示唆します。今回の研究で確保した29種の皮膚病変予測技術に加え、お客様がどんな症状を感じているのか、何に反応するのか、肌の状態がどのように変化してきたのかをより体系的に確認できるよう、問診やお客様が提供するさまざまな情報をあわせて活用する方向性を探っていきたいと考えています。

敏感肌の研究においても、こうしたアプローチは重視されています。画像や紅斑といった客観的な肌情報とあわせて、ヒリヒリ感、ほてり、かゆみ、つっぱり感のように、お客様自身が感じる症状を問診で定量化し、ともに評価する方法です。今後は、従来の定型的なアンケートにとどまらず、お客様の肌の状態やそれまでの回答に応じて、必要な質問をよりきめ細かく続けていけるパーソナライズされた問診も検討できるでしょう。画像、病変、問診、そして肌状態の変化に至るまでの背景がつながれば、診断後の体験も変わっていくでしょう。単に一つの肌スコアを示して終わるのではなく、お客様が今の肌の状態を理解し、日常的なホームケアで対応できる範囲なのか、より専門的な確認が必要で皮膚科での相談を検討すべきなのかなど、適切な次のアクションを選べるようサポートする方向へと発展させることができます。

私たちが思い描いている未来の姿は、こうしたDermatologist-Verified Agentic Beauty Techです。皮膚科専門医がデータ収集からアノテーション、検証までともにつくり上げた基準をもとに、AIエージェントが画像に見える病変だけでなく、お客様が提供するさまざまな情報を総合して、より適切な質問と肌ケアの方向性へとつなげていく技術です。AIエージェントの役割は、専門医の判断基準を技術の中にしっかり落とし込み、お客様が日常の中で自分の肌をより深く理解し、必要な次のステップを選べるようサポートすることです。写真に映る肌と、お客様が感じて言葉にする肌、そして専門医が判断する肌は、それぞれ少しずつ異なる場合があります。今後は、どれか一つだけを正解と決めつけるのではなく、さまざまなシグナルを総合的に見て、敏感肌をより立体的に、より高い信頼性をもって理解していきたいと考えています。今回の29種の皮膚病変研究の次のステップは、お客様の肌をより深く理解し、適切な次の体験へとつなげるエージェンティック・ビューティーテックへの挑戦になるでしょう。

研究にとどまらず、お客様が実際に体験するサービスへ

皮膚科専門医とともにつくった判断基準と29種の皮膚病変研究をもとに、これからはお客様が実際に体験できるAESTURAのAI肌診断ソリューションへと、さらに一歩踏み出していきます。その過程でも、Dermatologists-in-the-Loopの原則は受け継がれます。専門医とともにつくったデータと判断基準をもとに、画像に現れる病変だけでなく、お客様が感じる症状や問診、肌の変化の文脈まであわせて捉えながら、より信頼できる肌情報を提供する方法を引き続き検証していきたいと考えています。大切なのは、AIがより多くの結果を示すことだけではありません。お客様が診断を通じて自分の肌の状態をもう少し具体的に理解し、その結果がカウンセリングやケア、自分に合った製品選びへと自然につながっていく必要があります。研究で確認した可能性を、実際のお客様体験と満足へとつなげていくことが、今後の課題です。

これにより、AESTURAがお客様に届けてきたダーマビューティーの専門性と真摯な姿勢、そして信頼を、実際のサービス体験の中でもより鮮明に感じていただけるよう、技術面からサポートしていきたいと考えています。次のステップで目指すのは、皮膚科専門医とブランド、AIがともにつくり上げた研究成果をお客様体験へとつなげることです。最終的につくりたいのは、単なるAI機能の一つではありません。お客様がAESTURAの敏感肌に関する専門性を実際に体験し、信頼できるようサポートする肌診断サービスです。研究から始まった技術を、実際にお客様が使えるレベルへと着実に発展させながら、AESTURAが積み重ねてきたダーマビューティーの価値を技術で支えていきます。

#OUTRO

KDDの舞台で紹介したのは29種の皮膚病変予測AIでしたが、その成果にたどり着くまでには数多くの積み重ねがありました。専門医の判断をデータに落とし込み、実際の患者データを安全に扱い、AIの強みとさらなる検証が必要な領域を一つひとつ確認していく。こうした一連の取り組みが、今回の研究を形づくっていました。

今回の経験を通じて、AIの役割もより明確になりました。ブランドが長年培ってきた専門性が、お客様の日常の中で信頼できる消費体験へとつながるようサポートすることです。今回はAESTURAの「敏感肌」がその出発点でした。AESTURAとともに取り組んだ研究が、これから実際にお客様が体験するサービスへとつながっていくように、今後も各ブランドが最も得意とする領域から出発し、その専門性をより深めることのできるビューティーAIの可能性を探り続けていきます。

アモーレパシフィックは科学で語ります。