Skin age estimation dựa trên những đặc điểm nào?

AI cũng không nhất thiết nhận bốn con số được tính sẵn rồi cộng thành tuổi da. Một số hệ thống phát hiện và chấm điểm từng đặc điểm; các mô hình deep learning khác học trực tiếp những biểu diễn phức tạp từ vùng da hoặc toàn bộ ảnh khuôn mặt rồi dùng chúng để dự đoán tuổi. Một nghiên cứu về hệ thống phân tích da mặt bằng AI đã trực tiếp xử lý nếp nhăn, sắc tố, lỗ chân lông và vùng đỏ từ ảnh, với điểm dựa trên diện tích và cường độ vùng được phát hiện có tương quan trên 0,8 với đánh giá của chuyên gia lâm sàng.

Nếp nhăn cung cấp tín hiệu hình học rõ nhất

Nếp nhăn tạo ra các đường, rãnh và thay đổi tương phản có cấu trúc nên tương đối thuận lợi cho computer vision. Tùy kiến trúc hệ thống, AI có thể học hoặc định lượng mật độ đường nhăn, chiều dài, diện tích vùng có nếp nhăn, độ tương phản với vùng da xung quanh và phân bố của chúng tại trán, quanh mắt hoặc các vùng khác trên khuôn mặt.

Thông tin quan trọng không chỉ là “có nếp nhăn hay không”. Một vùng có nhiều đường nhỏ, ngắn và nông tạo mẫu hình khác với các rãnh dài, rõ và liên tục. Vị trí cũng có ý nghĩa vì các vùng da không biểu hiện lão hóa giống nhau. Do đó, cùng tổng diện tích nếp nhăn nhưng cách chúng phân bố trên khuôn mặt có thể tạo đầu vào khác nhau cho mô hình.

Các hệ thống chụp chuyên dụng còn có thể định lượng kích thước, chiều rộng và độ sâu của đường nhăn. Tuy nhiên, ảnh RGB hai chiều thông thường không trực tiếp đo được độ sâu vật lý như hệ thống 3D; model chủ yếu suy luận từ bóng, độ tương phản và hình dạng biểu kiến. Nghiên cứu sử dụng Antera 3D cho thấy các thông số như kích thước, độ sâu và chiều rộng nếp nhăn có thể được đo riêng khi có dữ liệu hình ảnh phù hợp.

Sắc tố phản ánh các biến đổi màu phân bố theo tuổi

Sắc tố cung cấp cho AI một nhóm tín hiệu khác với nếp nhăn. Thay vì tập trung vào hình học của các đường rãnh, hệ thống có thể phân tích vùng tối màu, đốm tăng sắc tố, mức sáng của da, độ tương phản màu và sự phân bố của các vùng này trên trán, má hoặc những khu vực da khác.

Một mô hình có thể biểu diễn sắc tố bằng diện tích vùng được phát hiện, cường độ màu, số lượng vùng bất thường hoặc các đặc trưng màu được học trực tiếp từ pixel. Hệ thống AI nghiên cứu trên ảnh phụ nữ Hàn Quốc đã định lượng sự thay đổi của nếp nhăn và sắc tố theo nhóm tuổi, cho thấy đây là những đặc điểm có thể được phát hiện và chấm điểm tự động từ ảnh.

Sắc tố có giá trị vì tuổi biểu kiến không chỉ phụ thuộc vào đường nhăn. Trong nghiên cứu trên 400 ảnh chuẩn hóa của phụ nữ Trung Quốc 20–40 tuổi, nhóm được nhìn nhận là già hơn có khác biệt về màu da và mật độ sắc tố; ở nhóm 31–40 tuổi, nếp nhăn, sắc tố và các thay đổi vùng giữa mặt cùng nổi bật hơn. Điều này không chứng minh mọi AI đều sử dụng sắc tố với cùng trọng số, nhưng cho thấy màu và phân bố sắc tố chứa tín hiệu liên quan đến cách tuổi được biểu hiện trên khuôn mặt.

Kết cấu mô tả độ thô và vi địa hình bề mặt

Kết cấu da là mẫu biến thiên cục bộ trên bề mặt: vùng mịn hay thô, mức độ nổi bật của vi rãnh, lỗ chân lông và sự thay đổi sáng–tối ở quy mô nhỏ. Trong xử lý ảnh, những thay đổi này có thể xuất hiện dưới dạng khác biệt về gradient, tần số không gian, độ tương phản cục bộ hoặc các feature map mà mạng nơ-ron tự học.

Điểm khác biệt với nếp nhăn là kết cấu không nhất thiết tạo thành một đường riêng biệt. Một vùng má có thể gần như không có rãnh sâu nhưng vẫn thể hiện bề mặt thô, lỗ chân lông nổi hoặc cấu trúc vi mô không đều. Vì vậy, texture bổ sung thông tin mà việc chỉ đếm nếp nhăn có thể bỏ sót.

Trong các hệ thống đo bề mặt chuyên dụng, độ nhám có thể được biểu diễn bằng những đại lượng như (R_a) và (R_q), trong khi ảnh lâm sàng cũng có thể đánh giá đồng thời texture, pore và wrinkle. Đây là ví dụ về cách một khái niệm cảm quan như “da thô” được chuyển thành biến đo lường; model dùng ảnh smartphone thông thường có thể học dấu hiệu tương tự nhưng không nên được xem là đang trực tiếp đo vi địa hình ba chiều.

Nghiên cứu thực nghiệm về nhận biết tuổi cũng cho thấy thông tin skin tone và texture đóng góp đáng kể vào việc ước lượng tuổi từ khuôn mặt; trong các thí nghiệm được báo cáo năm 2023, phần thông tin này đóng góp khoảng 25–33% vào độ chính xác của nhận biết tuổi.

Độ đồng đều bề mặt đo mức biến thiên giữa các vùng

Độ đồng đều không hoàn toàn là một đặc điểm độc lập giống nếp nhăn. Nó thường phản ánh cách nhiều tín hiệu phân bố trong không gian. Hai khuôn mặt có mức sắc tố trung bình tương tự nhau nhưng một khuôn mặt có màu tương đối nhất quán, còn khuôn mặt kia xuất hiện nhiều mảng sáng–tối xen kẽ; hình ảnh thứ hai có độ đồng đều thấp hơn.

Độ đồng đều màu

AI có thể học sự thay đổi màu giữa các vùng da, mức chênh lệch sáng–tối hoặc mật độ các mảng sắc tố. Vì vậy, một đốm sắc tố vừa là thông tin về pigmentation vừa làm giảm tính đồng đều tổng thể của màu da.

Độ đồng đều vi kết cấu

Nguyên tắc tương tự áp dụng cho texture. Nếu độ thô, lỗ chân lông hoặc các vi cấu trúc tập trung không đồng nhất giữa những vùng lân cận, model có thể nhận ra sự biến thiên này ngay cả khi không có một nếp nhăn lớn rõ rệt.

Do đó, “surface evenness” nên được hiểu là đặc trưng phân bố: nó cho biết nếp nhăn, sắc tố và texture xuất hiện đều hay loang lổ trên vùng da. Các nghiên cứu về tuổi biểu kiến cũng ghi nhận khuôn mặt có tone da không đều thường được đánh giá già hơn, cho thấy tính đồng nhất của bề mặt mang thông tin bổ sung bên cạnh từng dấu hiệu đơn lẻ.

AI kết hợp các tín hiệu thành tuổi da như thế nào?

Một pipeline skin age estimation thường bắt đầu bằng chuẩn hóa ảnh và xác định vùng khuôn mặt hoặc vùng da cần phân tích. Sau đó có hai cách triển khai chính.

Ở hệ thống feature-based, thuật toán có thể phát hiện nếp nhăn, đốm sắc tố hoặc vùng texture rồi biến chúng thành các số đo như diện tích, mật độ, cường độ và mức phân bố. Những biến này được đưa vào mô hình hồi quy hoặc machine learning để suy ra tuổi da.

Với deep learning, mạng CNN hoặc kiến trúc thị giác khác có thể học đặc trưng trực tiếp từ pixel. Trong trường hợp này, “wrinkle feature” hay “pigmentation feature” không nhất thiết tồn tại dưới dạng một biến mà con người đọc được. Các tín hiệu được mã hóa thành nhiều feature map và embedding, sau đó mô hình học quan hệ giữa tổ hợp đặc trưng đó với nhãn tuổi trong dữ liệu huấn luyện.

Vì vậy, tuổi da là kết quả của tổ hợp tín hiệu, không phải phép tính kiểu “nếp nhăn = 40%, sắc tố = 30%”. Trọng số thực tế phụ thuộc dataset, kiến trúc model, cách gán nhãn và vùng ảnh được sử dụng. Tổng quan hệ thống công bố năm 2025 trên 27 nghiên cứu machine learning về tuổi da cũng cho thấy phân tích toàn bộ ảnh khuôn mặt là cách tiếp cận phổ biến nhất, thay vì luôn tách từng đặc điểm lâm sàng thành biến độc lập.

Skin age estimation sai lệch khi điều kiện ảnh thay đổi

Các đặc điểm nói trên đều phụ thuộc mạnh vào chất lượng ảnh. Ánh sáng thay đổi có thể làm nếp nhăn sâu hơn hoặc mờ đi; white balance và phơi sáng có thể làm thay đổi màu da; makeup có thể che sắc tố và texture; biểu cảm có thể tạo thêm nếp gấp. Camera, khoảng cách, độ phân giải và xử lý làm đẹp tự động cũng có thể thay đổi dữ liệu mà model nhìn thấy.

Dataset là giới hạn thứ hai. Một model được huấn luyện chủ yếu trên một nhóm tuổi, giới tính hoặc kiểu da có thể không duy trì cùng mức sai số trên quần thể khác. Đây là lý do kết quả “tuổi da” cần được hiểu trong phạm vi model cụ thể. Tổng quan năm 2025 ghi nhận mean absolute error của các mô hình skin-age machine learning trong các nghiên cứu được xem xét dao động khoảng 2,30–8,16 năm, cho thấy chưa có một mức chính xác duy nhất áp dụng cho mọi hệ thống.

Cuối cùng, ảnh chỉ phản ánh những gì có thể quan sát hoặc suy ra quang học. Những yếu tố như độ đàn hồi và độ ẩm thực của da có thể cần phép đo vật lý thay vì ảnh RGB đơn thuần. Một mô hình Skin Age Index nghiên cứu trên 300 phụ nữ đã kết hợp nếp nhăn và đặc điểm màu/sắc tố với độ đàn hồi và độ ẩm, minh họa rằng “tuổi da” rộng hơn có thể cần cả dữ liệu ngoài hình ảnh.

Điều này tạo ranh giới quan trọng: skin age estimation từ ảnh nên được xem là ước tính tuổi biểu hiện của da, dựa trên các dấu hiệu mà camera và model có thể nhận diện, chứ không phải phép đo trực tiếp tuổi sinh học của toàn bộ mô da.

AI ước tính tuổi da từ ảnh bằng cách đọc nhiều tín hiệu cùng lúc. Nếp nhăn cung cấp thông tin về đường rãnh và hình học; sắc tố phản ánh đốm và biến thiên màu; kết cấu thể hiện độ thô cùng vi cấu trúc; còn độ đồng đều cho biết các tín hiệu đó phân bố ổn định hay không trên bề mặt. Model sau đó kết hợp chúng dưới dạng các biến đo được hoặc đặc trưng deep learning để dự đoán tuổi da. Giá trị này chính xác đến đâu còn phụ thuộc vào dữ liệu huấn luyện và điều kiện chụp, vì vậy nó phù hợp nhất để mô tả mức lão hóa nhìn thấy trên ảnh, không nên được đồng nhất với tuổi sinh học hay tuổi theo ngày sinh.