Telefonun ön kamerasıyla selfie çektiğinizde, ekrandaki cilt analizi uygulaması sizin gördüğünüzden çok daha fazlasını okur. Yüzünüzdeki piksellerin yoğunluğu, derinin yüzeyindeki ışık yansımaları, gözenek ağzının çapı, alın hattındaki sebum parıltısı; hepsi tek bir karenin içine sıkışmış sinyaller. YouCam Makeup, TroveSkin, L’Oréal SkinConsultAI, Perfect Corp AI Skin Analysis ve La Roche-Posay Spotscan+ gibi platformlar bu sinyalleri sınıflandırmak için on yıldan uzun bir süredir model eğitiyor. Bugün ulaştığımız nokta artık “makyaj filtresi” değil; dermatolojik kararı taklit etmeye çalışan, klinik veritabanlarıyla çapraz doğrulanmış bir tahmin motoru. Bu yazıda algoritmanın selfie’de aradığı sessiz sinyalleri, on beş parametrenin ne anlama geldiğini, makinenin yanıldığı üç tipik anı ve cilt verisinin gizlilik tarafını birlikte inceleyeceğiz.
Selfie ile Cilt Okumak Niye Mümkün Oldu?
Selfie tabanlı cilt analizi yeni bir teknoloji değil; yeni olan, modellerin artık tıbbi sınıflandırma yapabilecek doğrulukla çalışabilmesi. 2014’te ilk YouCam Makeup uygulaması yüze maskara yerleştirebilen bir AR katmanından ibaretti. Aradan geçen on yılda iki şey değişti: ön kamera sensörlerinin dinamik aralığı ve derin öğrenme modellerinin görsel veriyle çalışma kapasitesi. iPhone 14 Pro’nun TrueDepth kamerası, Galaxy S24 Ultra’nın 12 MP ön sensörü ve Pixel 8’in piksel başına çoklu pozlama hesaplaması, cildi artık bir doku haritası olarak değil, ölçülebilir bir veri yüzeyi olarak sunuyor. Algoritmanın işi, bu yüzeyi insan gözünün ayırt edemediği frekans bantlarına ayrıştırmak.
Cildin selfie üzerinden okunabilmesinin ardındaki ikinci itici güç, eğitim verisinin ölçeği. Perfect Corp’un sahip olduğu 70.000 medical-grade görsellik veritabanı, farklı yaş, etnisite, ten tonu ve aydınlatma koşullarında etiketlenmiş klinik kayıtlardan oluşuyor. Bu kayıtların büyük çoğunluğu kontrollü stüdyo ışığında, kalibre edilmiş kameralarla çekilmiş; algoritma, kullanıcının ev ortamında çektiği selfie ile bu referans havuzu arasında bir tür “çeviri” yapıyor. Şirket 2025’te bu altyapısıyla Newsweek AI Impact Award kazandı ve ödülün gerekçesi tam da bu çeviri yeteneğiydi: sahada çekilmiş bir karenin klinik ölçeğe taşınması.
Burada anlaşılması gereken kritik nokta şu: AI cilt analizi selfie uygulamalar sizin yüzünüze bakmıyor. Yüzünüzün ışık altındaki yansıma örüntüsüne bakıyor. Selfie sadece bir konteyner; gerçek veri, derideki ışık-gölge frekanslarının nasıl dağıldığında saklı. Bu yüzden iyi bir analiz için uygulama önce kamerayı kalibre etmek istiyor, sonra pozisyonu, sonra ışığı; çünkü modelin eğitildiği koşullarla sizinki arasındaki sapma ne kadar büyükse, sonuçtaki güven aralığı o kadar genişliyor.
AI Cilt Analizinin On Beş Parametresi
Sektörün referans aldığı parametre seti büyük ölçüde Garnier Skin Coach ve ona benzer modellerin yayımladığı taksonomi üzerinden şekillendi. Burada kabaca on beş başlık var ve her biri, ciltteki belirli bir biyofiziksel özelliği nicel bir skora dönüştürüyor: parlaklık, renk eşitsizliği, dolgunluk, pürüzsüzlük, temizlik, koyu leke, açık leke, gözenek görünürlüğü, sebum dağılımı, kırışıklık derinliği, ince çizgi yoğunluğu, kızarıklık, göz altı koyuluğu, elastikiyet ve ciltteki nem işareti. Bu listenin tamamı tek bir selfie üzerinden hesaplanıyor; her parametrenin kendi ağı, kendi referans dağılımı, kendi güven skoru var.
Parlaklık dediğimiz parametre, cildin ışığı geri yansıtma oranıdır; algoritma bunu yanak, alın, çene üçgenindeki yüksek frekanslı yansımaların oranını ölçerek hesaplar. Renk eşitsizliği daha karmaşık; çünkü buradaki ölçüm cildin baseline renginden ne kadar saptığını değil, sapmanın yüzeydeki dağılımının ne kadar homojen olduğunu gösteriyor. Dolgunluk, derinin altındaki kollajen yoğunluğunun ışık altındaki gölge davranışına yansıması; pürüzsüzlük ise mikro-doku haritasının düz alanlara oranı. Temizlik parametresi gözenek ağzının açık-kapalı durumunu, makyaj kalıntısını, yüzeysel kir izlerini sınıflandırıyor. Koyu leke ise pigmentasyon kümelerini, geçici güneş izlerinden farklı bir kategoriye yerleştirebiliyor.
Bu on beş parametrenin tek tek skorlanması, algoritmanın çıktıyı insan tarafından okunabilir bir dile çevirmesine olanak tanıyor. Tüketici ekranda 0-100 arası bir parlaklık değeri görüyor; arkada o değer, on binlerce klinik referansa göre çekilmiş bir z-skoruna karşılık geliyor. Skor sistemine duyduğumuz güveni belirleyen şey, parametrelerin tek başına ne kadar isabetli olduğundan çok, algoritmanın bu parametreleri birlikte yorumlama biçimi. Çünkü gerçek hayatta hiçbir cilt sorunu tek başına oluşmuyor; sebum artışı genelde gözenek genişlemesini, o da renk eşitsizliğini takip ediyor.
Kırışıklık, Spot, Por: Üç Temel Kategori
On beş parametrenin tamamı kategorize edildiğinde, sektörün üzerinde konsensus sağladığı üç temel grup ortaya çıkıyor: kırışıklık ailesi (kırışıklık derinliği, ince çizgi, elastikiyet), pigmentasyon ailesi (koyu leke, açık leke, renk eşitsizliği) ve gözenek ailesi (gözenek görünürlüğü, sebum, pürüzsüzlük). Bu üçlü, dermatolojide kullanılan klasik triad’a — fotoaging, melanin disregülasyonu, sebore — neredeyse birebir karşılık geliyor. Algoritmanın işi, selfie’deki ışık örüntüsünü bu üç ailenin alt kümelerine dağıtmak.
Kırışıklık ailesi için modeller genelde frekans alanı analizi kullanıyor. Yüzeydeki düşük frekanslı sinüzoidal değişimler derin kırışıklık olarak okunurken, yüksek frekanslı varyasyonlar ince çizgi olarak etiketleniyor. La Roche-Posay Spotscan+ bu konuda spesifik bir alt model çalıştırıyor; alın hattı, glabella (kaşlar arası), nazolabial bölge ve göz çevresi için ayrı ayrı katsayılar tutuyor. Çünkü bu bölgelerin yaşlanma örüntüsü birbiriyle aynı tempoda ilerlemiyor.
Pigmentasyon ailesinin tespiti daha hassas. Cildin baseline melanin değerini bilmeden bir lekeyi anormal saymak risk; bu yüzden modeller önce kullanıcının ten tonunu Fitzpatrick ölçeğine yakın bir skala üzerinde yerleştiriyor, sonra leke aramaya başlıyor. Burada en kritik nokta, geçici güneş izi ile kalıcı melasmayı ayırt edebilmek. Perfect Corp’un modeli iddialı; çünkü 70.000’lik veritabanı bu ayrımı yapabilecek kadar etiketli örnek içeriyor. TroveSkin ise farklı bir yaklaşım benimsiyor; aynı kullanıcının zaman içindeki selfie’lerini karşılaştırarak lekenin kalıcı mı yoksa geçici mi olduğuna karar veriyor.
Gözenek ailesi en görünür olanı ama analiz açısından en zoru. Çünkü gözenek ağzının çapı, kameranın çözünürlüğü ve mesafesiyle doğrudan ilişkili. 30 cm’den çekilmiş bir selfie ile 50 cm’den çekilmiş arasında por görünürlüğü iki katına çıkabiliyor. Algoritma bu yüzden mesafeyi tahmin etmek için yüz genişliği, göz arası uzaklık ve kulak konumu gibi referans noktalarını kullanıyor; sonra por skorunu bu mesafeye göre normalleştiriyor.
Aydınlık ve Renk Eşitsizliği: Kameranın Yanıltıcı Anı
Selfie’nin AI analizi için en yanıltıcı olduğu an, kullanıcının cildine değil ışığa bağlı. Soğuk renkli bir LED altında çekilen selfie, sıcak halojen altında çekilenle karşılaştırıldığında parlaklık skorunda %18’e varan sapma üretebiliyor. Bu sapma yapay zekanın sorunu değil, ışığın gerçeği. Cildin yüzeyi gelen ışığın renk sıcaklığını yansıtıyor; algoritma o yansıma örüntüsünü tek bir karede izole etmek zorunda. Bu yüzden iyi tasarlanmış uygulamalar selfie’den önce beyaz dengesini test ediyor; tipik olarak ekranı geçici olarak beyazlaştırıp bir saniyelik kalibrasyon karesi alıyor.
Renk eşitsizliği parametresi ışığa daha duyarlı. Çünkü algoritma cildin renk varyasyonunu hesaplarken hem mutlak rengi hem komşu pikseller arasındaki geçişi okuyor. Yan taraftan gelen pencere ışığı yüzün bir tarafını sıcak, diğer tarafını gri yapıyor; model bunu fizyolojik bir asimetri olarak yanlış sınıflandırabiliyor. Garnier Skin Coach gibi uygulamalar bu hatayı azaltmak için “iki taraf testi” çalıştırıyor: yüzün sağ ve sol yarısını ayrı ayrı işliyor, sonuçlardaki tutarsızlık eşik değerini aşıyorsa kullanıcıdan ikinci bir selfie istiyor.
Buradaki kritik kullanıcı tavsiyesi şu: AI cilt analizi yaparken aynı ışıkta, aynı saatte, aynı pozisyonda fotoğraf çekmek, zaman içindeki değişimi izlemenin tek güvenilir yolu. Çünkü algoritmanın referans noktası yok; sadece sizin başlangıç karenizi referans alıyor. Bir hafta sonra çekeceğiniz selfie’de ışığın yönü değişmişse, görünen “iyileşme” gerçekte sadece ışığın sizi daha lehte göstermesi olabilir.
Sebum ve Nem Dengesi: Selfie’nin Göremediği
Selfie tabanlı analizin en zayıf halkası, derinin altında olup bitenler. Sebum üretimi yüzeyde parlaklık olarak görünüyor; algoritma da parlaklığı sebumla ilişkilendiriyor. Ama bu ilişki tek yönlü değil; cilt nemli ama sebumsuz olabilir, kuru ama parlak olabilir, dehidre ama yağlı görünebilir. Selfie sadece yüzeyin ışık davranışını okuyabildiğinden, derinin barriyer fonksiyonu hakkında doğrudan ölçüm yapamıyor.
Bu sınırlılığı kabul eden uygulamalar dolaylı sinyalleri öğreniyor. Örneğin Perfect Corp ve YouCam Makeup, kullanıcının cildine ne tip ürün uyguladığını sorarak sebum-nem dengesi tahmini yapıyor. Eğer kullanıcı son üç gündür yağ bazlı krem kullandığını belirtiyorsa, algoritma yüzdeki parlaklığı sebum değil ürün kalıntısı olarak okuyor. Bu hibrit yaklaşım, anketin doğru cevaplandığı varsayımına dayanıyor; ama klinik araştırma değil, tüketici ürünü tasarlamak için kabul edilebilir bir tradeoff.
TroveSkin ise tamamen farklı bir yöntem deniyor: zaman serisi analizi. Aynı kullanıcının haftalık selfie’lerinden oluşan bir profil çıkartıyor; parlaklığın günden güne dalgalanması yüksekse “muhtemelen sebum dengesizliği”, düşükse “muhtemelen kalıcı yağ dağılımı” diyor. Bu yaklaşım daha doğru sonuç verebiliyor ama kullanıcının uygulamada düzenli kalmasını gerektiriyor; çoğu insan ilk hafta sonrası bırakıyor.
Algoritmanın Yanıldığı Üç Durum
Modellerin ne kadar gelişmiş olursa olsun, sistematik olarak yanıldığı üç durum var. İlki, koyu ten tonlarında pigmentasyon analizi. 2024’e kadar yayımlanan akademik incelemeler, Fitzpatrick V ve VI ten tonlarında AI cilt analizi modellerinin hata oranının %22-31 arasında değiştiğini gösteriyor. Bunun temel sebebi eğitim verisindeki dengesizlik; uzun süre boyunca beauty-tech şirketleri Asya ve Avrupa pazarına odaklı veri topladığı için, koyu ten tonlarında modellerin baseline referansı zayıf kaldı. Son iki yılda bu boşluk kapanmaya başladı ama hâlâ tamamen çözülmedi.
İkinci yanılgı, akne sonrası kalan kırmızı izlerin (post-inflammatory erythema) aktif iltihaplanma olarak okunması. Algoritma cilt rengindeki sapmayı tespit ediyor ama o sapmanın bugün mü dün mü oluştuğunu zaman bilgisi olmadan ayırt edemiyor. Bu yüzden aktif sivilcesi olmayan ama geçmiş izleri olan bir kullanıcı, “cildiniz iltihaplı” çıktısı alabiliyor. La Roche-Posay Spotscan+ bu hatayı azaltmak için iz yaşı tahmin eden bir alt model çalıştırıyor; kırmızı tonun belirginliğine göre izi “taze” veya “kalıcı” diye etiketliyor.
Üçüncü yanılgı, kozmetik etkilerin doğal cilt durumu sanılması. Kullanıcı krem, primer, koruyucu ürün kullanmışsa, cilt yüzeyindeki ışık davranışı tamamen değişiyor. Bazı yağ bazlı kremler “düzgün cilt” sinyali üretiyor; bazı su bazlı losyonlar ise kısa süreli parlaklık veriyor. Algoritma ürün varlığını sezebiliyor ama her zaman doğru tanıyamıyor. Bu yüzden ciddi analiz yapacak kullanıcıların yüzlerini yıkadıktan otuz dakika sonra selfie çekmesi öneriliyor; ürün etkisinin tampere olduğu bir pencere.
Üç yanılgının ortak teması şu: algoritma her zaman selfie’deki ışık örüntüsünü okuyabiliyor ama o örüntünün arkasındaki bağlamı her zaman doğru tahmin edemiyor. Bağlam — etnisite, geçmiş, ürün kullanımı, hormon döngüsü — verinin içine girmediği sürece dışarıda kalıyor.
YouCam, TroveSkin, L’Oréal SkinConsultAI Karşılaştırması
Pazardaki üç büyük platformun farklılıkları, hangi soruyu çözmeye çalıştıklarıyla ilgili. YouCam Makeup, Perfect Corp’un tüketiciye dönük yüzü; öncelikli amacı makyaj ve ürün denemesi, cilt analizi ise bunun üzerine eklenmiş bir katman. Bu yüzden YouCam’in analiz çıktısı genellikle ürün önerileriyle birleştirilmiş bir rapor formunda; “şu ürün şu sorunu çözer” formülasyonu kurgusunun merkezinde. Doğruluk açısından Perfect Corp’un %95’lik iddiası YouCam üzerinden de geçerli ama bu rakam, klinik bir doğrulama değil, modelin kendi test setinde elde ettiği isabet oranı.
TroveSkin, daha çok takip aracı olarak konumlanmış. Tek bir analiz vermek yerine, zaman içindeki değişimi göstermek üzere tasarlanmış. Bu yüzden ilk selfie’den sonra düzenli hatırlatma sunuyor, kullanıcının haftalık kayıtlarını grafiğe döküyor. Doğruluk iddiası nispeten daha mütevazı ama tutarlılık iddiası güçlü; çünkü aynı kullanıcının tekrarlanan ölçümlerinde göreli değişim, mutlak skor doğruluğundan daha önemli oluyor.
L’Oréal SkinConsultAI ise üçü arasında en akademik konumlanmış olanı. Skin Aging Atlas adı verilen referans veritabanından beslenen model, 6000 kadından alınmış longitudinal verilerle eğitilmiş. Sonuçlar yaş tahmini, “biyolojik yaş skoru” ve hangi parametrenin yaşa göre erken-geç durumda olduğunu gösteren bir rapor üretiyor. La Roche-Posay Spotscan+ bu ailenin bir parçası ve özellikle akne için optimize edilmiş bir alt sürüm; iki uygulama birlikte çalıştığında dermatoloğa benzer bir karar diyagramı çıkartıyor.
Üç platformun ortak özelliği, sonuçları ham veri olarak değil, kullanıcının takip edebileceği görsel formda sunması. Hiçbiri “cildinizin albedo katsayısı 0.41” demiyor; hepsi “parlaklığınız 72/100” formatında çıktı veriyor. Bu çeviri kullanıcı dostu ama bilgi kaybı içeriyor; ham veri silinince, sonucun nereden geldiğini izlemek imkânsız oluyor.
Perfect Corp’un %95 Doğruluğunun Arkası
Sektörde sıkça duyduğumuz %95 doğruluk rakamı, Perfect Corp’un 2024’te yayımladığı teknik dokümantasyondan geliyor. Rakam dramatik ama dikkatli okumayı hak ediyor. Bu %95, modelin 70.000 görsellik klinik veritabanına karşı yapılan iç testlerde, dermatolog etiketleriyle uyumlu çıktı üretebilme oranı. Yani dermatoloğun “burada koyu leke var” dediği görüntülerde algoritmanın da “koyu leke var” demesi.
Burada iki uyarı önemli. Birincisi, %95 her parametre için aynı değil; sebum ve sebum-ilişkili parametrelerde %88, kırışıklık ailesi parametrelerinde %96, pigmentasyon ailesinde %92 civarında. Şirketin yayımladığı toplam rakam ağırlıklı ortalama. İkincisi, doğruluk klinik etikete karşı ölçülüyor; ama klinik etiket de mükemmel değil. İki dermatolog aynı görüntüye baktığında farklı sınıflandırma yapabiliyor; bu yüzden gerçek “yerçekimi referansı” pratikte dalgalı bir hedef.
%95’lik rakamı bağlamlandırmak için dermatolog karşılaştırmasını yapmak lazım. Pratisyen bir hekim, eğitimsiz olduğu cilt sorunlarında %70-80 doğrulukla karar veriyor. Sertifikalı bir dermatolog ise spesifik alanında %93-97 arasında. AI modelinin %95’lik iddiası, kâğıt üzerinde sertifikalı bir dermatoloğun üst sınırında. Pratikte ise, gerçek hasta ortamında, ışık ve cilt varyasyonları nedeniyle bu rakam %85-90 bandına iniyor. Yine de eğitimsiz bir gözle yapılan ev tipi tanıdan çok daha iyi.
Dermatolog vs Algoritma: Karar Sınırı
Algoritma ve dermatolog arasındaki sınırı çizen şey, kararın sorumluluğu. AI cilt analizi selfie uygulamalar tedavi reçetesi yazmıyor, sadece sınıflandırma yapıyor. “Cildiniz şu kategoride” diyor, “şu ilacı kullanın” demiyor. Bu sınır hem yasal bir zorunluluk hem de teknolojinin gerçek limitinin bir kabulü. Algoritma yüzeyi okuyor; dermatolog yüzeyin altındaki dermatolojik anamnezi okuyor.
Pratik karar sınırı şu: AI analizi düzenli takip için, dermatolog teşhis için. Eğer cildinizdeki bir leke birkaç haftadan uzun süredir varsa, şekli düzensizse, sınırları belirsizse ve renk geçişi keskinse, algoritmanın çıktısı ne derse desin dermatolog kontrolü gerekiyor. Bu üç işaret — düzensizlik, belirsizlik, keskinlik — algoritmaların en zayıf okuduğu sinyaller, çünkü bunlar yüzey örüntüsünden çok lezyonun fiziksel yapısıyla ilgili.
Buna karşılık günlük takip için algoritmanın işlevi çok güçlü. Cildinizdeki değişimi kaydetmek, hangi ürünün etki ettiğini izlemek, mevsimsel dalgalanmayı görmek için haftalık AI analizi dermatologa gitmekten çok daha pratik. Beauty-tech sektörünün “dermatologu zincirden çıkardık” söylemini bir kenara bırakırsak, gerçek değer hekimle hasta arasındaki ölçüm boşluğunu doldurmasında.
Selfie Cilt Verisinin Gizlilik Boyutu
Bir selfie sadece cildinizin verisi değildir; aynı zamanda biyometrik bir tanımlayıcıdır. Yüz tanıma sistemleri için yeterli düzeyde benzersiz, parmak izi kadar tanımlayıcı bir görüntü. Bu yüzden AI cilt analizi yapan uygulamaların selfie işleme şekli, sıradan fotoğraf saklamadan farklı bir hukuki çerçeveye giriyor. KVKK ve GDPR, biyometrik veriyi “özel nitelikli kişisel veri” kategorisine alıyor; bu, açık rıza gerektiren ve daha sıkı koruma standartları uygulanan bir sınıf.
Sektördeki büyük platformlar bu sorumluluğun farkında. Perfect Corp, kullanıcıların yüklediği selfie’lerin işlendikten sonra sunucuda saklanmadığını, sadece analiz çıktısının kullanıcı hesabıyla ilişkilendirildiğini belirtiyor. L’Oréal SkinConsultAI, görüntü işlemenin tarayıcı veya cihaz üzerinde lokal olarak yapıldığını; ham görüntünün şirket sunucusuna iletilmediğini iddia ediyor. TroveSkin’in modeli farklı; düzenli takip için selfie’leri saklıyor ama kullanıcının istediğinde silinebileceği bir kontrol paneli sunuyor.
Uygulama bazında bu vaatlerin pratikteki tutarlılığını doğrulamak zor; ama kullanıcı tarafında atılabilecek pratik adımlar var. İlki, uygulamanın gizlilik politikasında “biyometrik veri” ifadesinin geçip geçmediğini kontrol etmek. İkincisi, selfie’nin işlendikten sonra silinme süresini öğrenmek. Üçüncüsü, modelin eğitimi için verinin kullanılıp kullanılmadığını sorgulamak; bazı şirketler kullanıcı verisini gelecekteki model eğitimleri için anonimleştirilmiş şekilde saklıyor. Dördüncüsü, hesap silindiğinde verinin gerçekten silinip silinmediğini kontrol etmek; çoğu uygulama “soft delete” yapıyor, yani veriyi flag’liyor ama fiziksel olarak silmiyor.
Gizlilik boyutunda asıl uzun vadeli risk şu: bugün cilt analizi için verilen selfie’ler, yarın yüz tanıma modellerinin eğitim setine girebilir. Yasal düzenlemeler bunu engellemeyi hedefliyor ama veri kümeleri sınırları aşıyor, bağlamdan çıkıyor. Bu yüzden hassas kullanıcılar için en güvenli yol, selfie cilt analizi servislerinin yerel işlem yapan, görüntüyü sunucuya hiç göndermeyen alt setiyle çalışmak. Bu set küçük ama hızla büyüyor; özellikle iOS 17 sonrası Core ML ile on-device analiz yapan bağımsız uygulamalar yaygınlaşıyor.
Selfie’den okunan bu sessiz sinyaller, beauty-tech alanındaki dört dokunma noktası içinde sadece bir tanesi; cildiniz dışında nefesinizden parfüm tercihinize, parmak ucu hareketinizden dolabınızdaki ürün eşleşmesine kadar uzanan bir okuma zincirinin parçası. Aynı yüz okuma teknolojisinin daha estetik bir kuzeni olan doğal mod filtresi, cilde müdahale ederken aynı parametre setini farklı bir amaçla kullanıyor; o tarafta amaç teşhis değil, görünür-doğal düzeltme. Cildin algoritmik analizinden parfüm önerisine geçişin nasıl kurulduğunu anlatan dijital koku profili tarafı ise teknolojinin bedensel sinyallerden duyusal tercihe nasıl köprü kurduğunu gösteriyor.
Sıkça Sorulan Sorular
AI cilt analizi uygulamaları gerçekten doğru sonuç veriyor mu?
Perfect Corp, YouCam Makeup ve L’Oréal SkinConsultAI gibi kurumsal platformlar, kendi iç test setlerinde %85-95 doğruluk oranı yayımlıyor. Bu rakam dermatologla karşılaştırmalı testlerden geliyor ve özellikle kırışıklık, gözenek, parlaklık gibi yüzey parametrelerinde güvenilir. Sebum dengesi ve cilt altı durumlarda doğruluk düşüyor. Sonuçların güvenilirliği, selfie’nin çekildiği ışık koşulu ve kameranın kalitesiyle doğrudan ilişkili.
Selfie cilt analizi uygulamaları hangi parametreleri ölçüyor?
Sektör standardı on beş parametre üzerinden çalışıyor: parlaklık, renk eşitsizliği, dolgunluk, pürüzsüzlük, temizlik, koyu leke, açık leke, gözenek görünürlüğü, sebum dağılımı, kırışıklık derinliği, ince çizgi yoğunluğu, kızarıklık, göz altı koyuluğu, elastikiyet ve cilt nem işareti. Bu parametrelerin her biri 0-100 arası bir skora dönüştürülüyor ve klinik referans havuzuna göre normalleştiriliyor.
Algoritma cildimi koyu ten tonum yüzünden yanlış okuyabilir mi?
Evet, bu yaygın bir sınırlama. Fitzpatrick V ve VI ten tonlarında AI cilt analizi modellerinin hata oranı bazı parametrelerde %22-31’e çıkabiliyor. Sebep, eğitim verisindeki etnik dengesizlik. Son iki yılda büyük platformlar bu açığı kapatmak için çalışıyor ama özellikle pigmentasyon analizinde fark hâlâ var. Koyu ten tonu kullanıcıların sonuçları dermatologla doğrulaması daha kritik.
Selfie analizi sonrası verilerim güvende mi?
Bu uygulamadan uygulamaya değişiyor. L’Oréal SkinConsultAI ve bazı küçük geliştiriciler analizi cihaz üzerinde yapıyor; selfie sunucuya gönderilmiyor. Perfect Corp ve YouCam, analiz çıktısını saklıyor ama görüntünün silindiğini belirtiyor. TroveSkin gibi takip odaklı uygulamalar selfie’leri saklıyor. Gizlilik politikasında “biyometrik veri” ifadesinin geçtiği, silme prosedürünün açıkça yazılı olduğu uygulamaları tercih etmek güvenlik açısından önemli.
Dermatologu AI uygulamasıyla değiştirebilir miyim?
Hayır, ama tamamlayıcı kullanılabilir. AI cilt analizi düzenli takip, ürün etkisini izleme ve mevsimsel değişimi gözlemek için pratik. Ancak şekli düzensiz, sınırı belirsiz, renk geçişi keskin lekeler için dermatolog kontrolü şart. Algoritma yüzey örüntüsünü okuyor; dermatolog yüzeyin altını ve hastanın anamnezini değerlendiriyor. İki yöntem birbirini değil, farklı soruları cevaplıyor.
Editör notu: Bu yazı 22 Mayıs tarihli teknoloji dosyamızın bir parçasıdır. Selfie tabanlı cilt analizi teknolojisi hızla evrildiği için, üreticilerin doğruluk iddiaları ve veri politikaları zamanla değişebilir; uygulamanın güncel gizlilik beyanını her zaman kontrol etmenizi öneririz. Mert Şahin imzasıyla yayımlandı.
