爱茉莉太平洋（AESTURA）登上全球AI舞台

今年8月，在济州举行的KDD（Knowledge Discovery and Data Mining）2026汇聚了来自世界各国的AI、数据挖掘研究成果及产业应用案例。尤其是在Korea Day的舞台上，NAVER、LG、SK海力士、HD现代、三星电子、KRAFTON等大家耳熟能详的AI科技企业齐聚一堂，分享了各自在AI/AX领域的实践案例。

而爱茉莉太平洋（AESTURA）也位列其中。过去，AESTURA这一名字更多出现在皮肤科或化妆品相关学术会议上，而此次却以“敏感肌AI”为主题，登上了专业的数据/AI学术会议舞台。当天，AX室长Joey Ahnn与仁川圣母医院教授Hyesung Kim共同介绍了由AESTURA、仁川圣母医院及AI Beauty Tech开发团队联合研究的29种皮肤病变预测AI模型，并分享了以此为基础进一步拓展的美妆AI未来愿景。

一个全新AI模型的诞生背后，凝聚着远非三言两语能够概括的诸多探索与苦思：要通过技术更加精细地支持AESTURA长期专注的敏感肌领域，应该关注哪些方面？如何将皮肤科专家的专业判断进行数据化？又该进一步验证哪些内容，才能将研究中具有价值的技术真正转化为实际的顾客体验？今天，就让我们进一步了解KDD舞台背后的这些探索历程。

超50万次皮肤诊断，进一步探索“敏感”领域

AI Beauty Tech开发团队通过皮肤诊断AI技术，持续关注着顾客的皮肤状态。通过Beauty Concierge，目前已累计超过50万次皮肤诊断记录，并基于手机照片进行AI测量，结合问诊回答，综合分析水分、油分、弹性、色素沉着、敏感等多种皮肤状态。

在运营这项广泛应用于多个品牌和渠道的通用型皮肤诊断技术过程中，有一个领域持续引起我们的关注，那就是“敏感”。从现有Beauty Concierge皮肤诊断的问诊回答来看，约63.5%的顾客表示存在与敏感相关的症状。既然如此多的顾客都在经历皮肤敏感问题，我们不由得开始思考：是否应该在简单告知“皮肤敏感”的基础上更进一步，更细致地观察并解释说明顾客具体出现了哪些敏感症状？

然而，敏感肌并不是仅凭AI技术就能轻易拓展诊断范围的领域。如何解读皮肤呈现出的各种征象，需要专业判断和充分依据，仅凭技术团队的视角显然存在局限。真正让我们得以向下一阶段发起挑战的契机，是开始与AESTURA共同探索针对敏感肌的专业诊断。我们以现有的通用型皮肤诊断技术为基础，结合AESTURA长期深耕的敏感肌领域，以及皮肤科医务人员的专业判断，开始更加深入地洞察皮肤敏感问题。

例如，在现有皮肤诊断中，“泛红”只是其中一项测量指标。但从皮肤科的角度来看，即使皮肤看起来同样泛红，也可能分别出现在痤疮、玫瑰痤疮、特应性皮炎等不同皮肤状态中。换言之，同一种“泛红”背后，可能隐藏着不同的皮肤状态。如果能够进一步区分这些差异，皮肤诊断体验也将随之改变。因为我们不再只是告诉顾客“您的皮肤泛红”，而是能够更加具体地观察皮肤究竟出现了哪些征象。 未来，如果这些信息能够得到充分验证并不断积累，不仅可以进一步提升面向顾客的解释说明与咨询，还能让护理方向和产品推荐变得更加精准。这也正是本次研究开始关注29种皮肤 病变的原因。过去的皮肤诊断为全面了解顾客的皮肤状态奠定了基础，而这一次，我们与AESTURA携手，尝试进一步深入探索“敏感”这一特定领域。

皮肤科专家全程参与AI开发

仅仅让AI学习大量图片，还不足以对皮肤病变进行细分。因为图片中的哪些特征应被判定为病变、病变边界应划定到哪里，以及如何区分外观相似的不同病变，最终都需要皮肤科专家的临床判断。

因此，本次研究尤为重视Dermatologists-in-the-Loop（皮肤科专家全程参与）这一研究方式，打破了由AI Beauty Tech开发团队完成模型开发后，再由专家对最终结果进行审核的传统模式。取而代之的是，皮肤科专家从数据收集开始，到标注（Annotation，即为数据添加标签，使AI能够进行学习），再到最终验证评估，直接参与研究的全过程。首先，从准备数据的阶段开始，就需要进行大量沟通与协调。由于研究使用的是实际患者的皮肤数据，因此必须事先仔细确认哪些数据可以采用、能够以何种方式使用，以及数据应如何传输和保存，并全面排查个人信息保护及信息安全方面是否存在问题。为此，我们还与信息安全中心及法务团队进行了多轮讨论，逐项确认相关标准，确保研究数据能够以安全、可信的方式得到应用。

在标注阶段，为了让皮肤科专家能够直接在图像数据中标注29种皮肤病变，我们还针对本次研究目的专门开发并提供了一套标注程序。在向医务人员说明程序使用方法后，双方通过共同查看实际案例，逐步统一病变的标注方式与判断标准。这一过程与简单地为图片“标上正确答案”有所不同。对于开发人员而言，需要的是能够供AI学习、具有一致性的数据；但皮肤科专家在观察真实患者的皮肤时，其判断中还包含着更加丰富的临床背景与信息。因此，本次研究中的标注，更接近于将皮肤科专家的专业判断转化为AI能够理解的数据语言。

在最后的验证阶段，皮肤科专家同样参与在内。我们将AI的预测结果与专家判断进行对比，确认AI能否准确识别实际皮肤病变，同时进一步考察模型是否在数据指标上具有显著性，并且能够产生具有临床意义的结果。因此，在本次研究中，皮肤科专家并非最后环节的审核者，而是从准备数据、建立AI学习所需的标准答案，到验证最终结果，全程参与研究的合作伙伴。可以说，构建可信的数据、安全地管理和使用这些数据，并将专家的专业判断准确融入技术之中，这一完整过程都是打造高质量AI不可或缺的一环。

AI识别实际皮肤病变的能力究竟如何？

本次研发的皮肤病变预测AI分别从Pixel-level（像素级）和Lesion-level（病变级）两个维度进行了性能评估。首先，Pixel-level评估以皮肤科专家标注的区域为基准，观察AI所识别病变的形状和边界在像素层面能够达到多高的重合度。由于需要在像素层面对病变的位置和边界进行精细比对，因此这种评估方式的标准十分严格。在Pixel-level评估中，模型的F1 Score为65.6%。

不过，考虑到本次研究的目的，还有另一个问题更为重要。与其问“AI预测的病变边界是否能在像素层面与专家标注精确吻合？”，我们更加关注：“专家判断为病变的位置，AI是否也能识别为实际病变？”皮肤病变的边界并非总是清晰明确的。尤其是泛红这类大面积、不规则分布于皮肤表面的病变，即使观察的是同一区域，不同评估者对于病变边界应划定到哪里，也可能存在一定的差异。

因此，本次研究尤其重视Lesion-level评估。Lesion-level评估通过确认AI预测的病变区域与专家标注的病变区域是否实际发生重合，对AI性能进行评价。也就是说，它关注的并非双方绘制的边界线是否完全一致，而是AI能否准确捕捉具有临床意义的病变范围。从这一点来看，Lesion-level也是评估该技术未来能否应用于皮肤诊断服务的一项更具实用意义的指标。

在Lesion-level评估中，模型的Recall为95.2%，Precision为97.9%，F1 Score为96.6%。简单来说，如果专家确认了100处实际病变，AI大约能够识别出其中95处（Recall，召回率）；而在AI识别出的100处病变中，约有98处与实际病变相符（Precision，精确率）。F1 Score达到96.6%，则意味着模型在尽可能避免遗漏病变与尽可能减少错误识别这两方面整体表现较为均衡。

突破单一图像，打造更为立体的敏感肌诊断

在本次研究的过程中，我们也有了新的发现。即便是皮肤科专家，也很难仅凭一张照片充分判断皮肤状态。在实际诊疗中，除了肉眼可见的病变，医生还会通过问诊和访谈进一步了解患者有哪些主观症状、症状从何时开始，以及在什么情况下会加重。也就是说，即使是最专业地观察皮肤的皮肤科专家，也会同时关注“看得见的皮肤”与“感受到的皮肤”。

现有Beauty Concierge皮肤诊断数据中也呈现出了类似的情况。顾客通过问诊反馈的自身敏感感受，与通过图像测得的红斑评分之间相关性并不高；而根据采用“顾客自身感知的敏感”还是“通过图像测得的敏感”作为判断标准，被划分为敏感肌的顾客范围也会有所不同。

这意味着，未来的敏感肌诊断仅仅提高图像中皮肤病变的识别准确度还远远不够。在本次研究获得的29种皮肤病变预测技术基础上，我们计划进一步探索结合问诊及顾客提供的多维度信息，更系统地了解顾客正在经历哪些症状、会对哪些因素产生反应，以及皮肤状态经历了怎样的变化。

在敏感肌研究领域，这种方式同样受到重视。除了照片、红斑等客观皮肤信息，还会通过问诊对刺痛、灼热、瘙痒、紧绷等顾客自身感受到的症状进行量化，并进行综合评估。未来，还可以进一步探索超越传统标准化问卷的个性化问诊方式，根据顾客当前的皮肤状态及此前的回答，更有针对性地提出后续问题。如果能够将图像、病变、问诊结果与皮肤变化的脉络相互连接，诊断后的顾客体验也将随之改变。届时，皮肤诊断将不再止步于呈现一个简单的皮肤评分，而是可以进一步帮助顾客了解当前的皮肤状态，并选择适合自己的下一步护理行动，例如判断是否属于可通过日常居家美容护理改善的范围，或在需要进一步专业确认时，考虑寻求皮肤科医生的咨询。

这正是我们所构想的未来——Dermatologist-Verified Agentic Beauty Tech。它以皮肤科专家从数据收集、标注到验证全程参与建立的标准为基础，由AI Agent综合分析照片中可见的病变以及顾客提供的多种信息， 根据顾客的具体情况进一步问诊，并提供相应的皮肤护理方向。AI Agent的作用，是将皮肤科专家的专业判断标准充分融入技术之中，帮助顾客在日常生活中更好地了解自己的皮肤，并选择适合的下一步护理行动。照片中“看得见的皮肤”、顾客自身“感受并表达的皮肤”，以及皮肤科专家“专业判断的皮肤”，彼此之间可能存在一定差异。未来，我们不会将其中任何一种信号视为唯一的标准答案，而是希望通过综合分析多种信息，以更加立体、可靠的方式理解敏感肌。本次29种皮肤病变研究的下一阶段，也将是我们迈向Agentic Beauty Tech的一次全新挑战——更深入地了解顾客的皮肤，并将其连接至更加适合的下一步体验。

从研究走向顾客体验的服务

基于与皮肤科专家共同建立的判断标准以及29种皮肤病变研究成果，如今，我们希望再进一步，将这些研究成果转化为顾客能够实际体验的AESTURA AI皮肤诊断解决方案。

在这一过程中，我们也将继续坚持Dermatologists-in-the-Loop原则。基于由皮肤科专家共同参与建立的数据与判断标准，不仅关注图像中可见的病变，还将综合分析顾客自身感受到的症状、问诊结果以及皮肤状态的变化，并持续验证如何为顾客提供更加可靠的皮肤信息。

重要的并不只是让AI呈现更多诊断结果。我们更希望顾客能够通过诊断，更加具体地了解自己的皮肤状态，并让诊断结果自然延伸至后续咨询、护理以及选择适合自己的产品。如何将研究中验证的可能性真正转化为顾客体验与满意度，是我们接下来需要解决的课题。

我们希望通过技术，让顾客在实际服务体验中更加真切地感受到AESTURA一直以来所传递的科学护肤专业性、真诚与信赖。下一阶段的目标，是让由皮肤科专家、品牌与AI共同完成的研究成果真正走向顾客体验。我们最终想要打造的，并非单一的AI功能，而是一项能够帮助顾客亲身体验并信赖AESTURA敏感肌专业实力的皮肤诊断服务。我们将从研究出发，一步步推动技术发展至顾客真正能够使用的阶段，以技术持续赋能AESTURA长期积累的科学护肤价值。

#OUTRO

KDD舞台上介绍的是29种皮肤病变预测AI，但在这一成果诞生之前，我们经历了许多探索与实践。从将皮肤科专家的专业判断转化为数据，到安全地处理实际患者数据，再到逐一确认AI所擅长的领域以及仍需进一步验证的部分，这些过程共同构成了本次的研究。

通过这次研究，我们也更加明确了AI所能发挥的作用：帮助品牌长期积累的专业实力，转化为顾客在日常生活中值得信赖的消费体验。这一次，我们选择从AESTURA的“敏感肌”领域出发。正如与AESTURA共同开展的研究如今正逐步走向真正服务顾客的实际应用，未来，我们也将继续从各品牌最具优势的领域出发，不断探索如何通过美妆AI进一步深化品牌专业实力，发掘更多可能性。