Neuronová síť z roku 2015 porazila GPT-6 i Claude v rozpoznávání rakoviny kůže

Melanom sedí pacientovi na uchu. Je tenké, ale už začalo pronikat hlouběji do kůže. Dermatolog Magnus Lynch ukázal dvě jeho fotografie dvěma nejschopnějším modelům umělé inteligence, které jsou v říjnu 2026 k mání: GPT-6 Astra a Claude Fable 5.1. Oba odpověděly stejně: seboroická keratóza, neškodný bradavičnatý výrůstek, pacienta lze propustit. Pak stejné snímky dostala neuronová síť, kterou popsali inženýři Googlu už v roce 2015. Označila útvar za melanom.

Nebyla to náhoda. V testu zveřejněném 25. října 2026 určila stará síť Inception v3 správnou diagnózu u 125 z 200 útvarů, tedy u 62 %. Oba špičkové modely dosáhly 42 %. Doladění staré sítě na snímcích kůže podle autora trvalo asi dvacet minut. Zajímavější než samotná úspěšnost je ale to, že každý stroj chybuje po svém, a právě to rozhoduje o tom, kdo půjde domů s rakovinou. Už to není akademická otázka. V průzkumu KFF od 24. února do 2. března 2026 uvedlo 32 % dospělých Američanů, že se za poslední rok ptali chatbotů na své zdraví, a fotka mateřského znaménka v takovém chatu nikoho nepřekvapí.

Dvě stě znamének, která už někdo vyřízl

Lynch je konzultant-dermatolog a chirurg pro Mohsovu mikrografickou operaci v londýnské nemocnici Guy’s Hospital a čestný odborný asistent na King’s College London. Zabývá se rakovinou kůže a využitím AI v dermatologii, proto test postavil tak, jak by ho postavil lékař. Snímky vzal z MILK10k, veřejného datasetu, který v roce 2025 vydala International Skin Imaging Collaboration (ISIC). Každý útvar v něm je vyfocen dvakrát: jednou jako obyčejný detail a podruhé přes dermatoskop.

Lynch náhodně vybral 200 útvarů. Každá diagnóza byla potvrzena histologicky, tedy prohlídkou odebrané tkáně pod mikroskopem. Sto z těch útvarů se propouštět nemá: 30 melanomů, 25 bazaliomů (bazaliocelulárních karcinomů), 25 spinaliomů (spinocelulárních karcinomů) a 20 aktinických keratóz, drsných míst poškozených sluncem, z nichž může vzniknout rakovina. Dalších sto je bezpečných: 50 obyčejných znamének a 50 seboroických keratóz.

Bazaliom a spinaliom patří mezi nejčastější rakoviny kůže a podle Cancer Research UK se do jiných částí těla šíří jen zřídka. Nejdůležitější hranicí v tomto testu je melanom. Přehlédnout ho je nejhorší chyba, takže zaměnit melanom za bazaliom je menší zlo: pacient u lékaře zůstane.

Má to háček a autor na něj upozorňuje sám. Neškodné útvary v souboru byly také vyříznuty a poslány do laboratoře. Když se někdo rozhodl znaménko odstranit, něco na něm lékaře znepokojilo. Test je tedy plný těch nejzáludnějších znamének, nad kterými si specialisté lámou hlavu.

Modely dostaly obě fotografie a byly vyzvány, aby odpověděly na to, co by se zeptal lékař: která z šesti diagnóz je nejpravděpodobnější, jak moc si je jisté, jaká by byla druhá volba a zda lze pacienta propustit bez léčby, biopsie i kontroly. Žádný model neodmítl odpovědět ani v jednom případě.

Síť, která odstartovala umělého dermatologa

Inception v3 nevznikla pro medicínu. V článku z prosince 2015 ji inženýři Googlu představili jako síť pro rozpoznávání běžných předmětů na fotografiích. Je to konvoluční neuronová síť: prochází obraz malými okénky a z drobných detailů, jako jsou hrany a skvrny, skládá stále větší celky.

V lednu 2017 se jí chopil tým ze Stanfordu. Doladil ji na 129 450 snímcích kůže zachycujících 2 032 nemocí a v časopise Nature oznámil, že na snímcích potvrzených biopsií odlišuje rakovinu od neškodných útvarů stejně dobře jako 21 dermatologů s odbornou atestací. Autoři naznačili, že taková síť v chytrém telefonu by mohla dosah dermatologa rozšířit za zdi ordinace.

Lynch vzal stejnou architekturu a doladil ji na jedné grafické kartě na 68 011 snímcích z archivu ISIC . Všech 200 testovacích útvarů i všechny ostatní fotografie týchž útvarů a týchž pacientů předem z trénovacích dat odstranil, takže je síť nikdy neviděla. Nejnovější jazykové modely píšou kód, kontrolují smlouvy a povídají si o čemkoli. Při rozpoznávání znamének ale prohrály s úzkým specialistou z doby před deseti lety.

Každý velký model má svou oblíbenou odpověď

Nejvíc se výsledky rozcházejí u neškodných útvarů. GPT-6 Astra poznala jen 16 z 50 znamének, Claude Fable 5.1 jen 6 z 50 seboroických keratóz, zatímco síť jich měla 37 a 26. Chatboti si nejhůř vedou právě u toho, co se dá nechat být. Žádné z čísel u melanomů nevypadá nijak impozantně, což je poctivý obraz těžkého souboru.

A co hůř: každý jazykový model měl svou oblíbenou odpověď. GPT-6 Astra označila za bazaliom 75 útvarů, ačkoli jich v souboru bylo 25, a 14 z 30 melanomů skončilo v téže hromadě. Takový pacient by u lékaře zůstal: melanom byl zaměněn za jinou rakovinu. Všech 25 skutečných bazaliomů ale určila správně, o jeden víc než síť se svými 24. Ten dokonalý výsledek je vedlejším produktem zvyku: když každý třetí útvar označíte za bazaliom, žádný skutečný vám neproklouzne. Claude Fable 5.1 viděla aktinickou keratózu v 53 případech, přestože skutečných bylo 20. U těchto keratóz stará síť prohrála s oběma modely, s 9 z 20 proti 10 a 12. V jiném případě GPT-6 Astra zaměnila melanom s velmi malým množstvím pigmentu za bazaliom a svou jistotu odhadla na 95 %.

Chyby sítě u melanomů šly opačným směrem. Ze svých 17 omylů označila melanom 8krát za znaménko a 6krát za seboroickou keratózu, tedy za věci, které se dají nechat být. S takovou diagnózou se člověk dá snadno poslat domů.

Všechno záleží na prahu

Lékaře často nezajímá, co to je, ale něco jednoduššího: poslat člověka domů, nebo ne. Síť na to odpovídá číslem od 0 do 1, které říká, jak moc útvar vypadá nebezpečně. Práh je značka na téhle škále, nad kterou síť řekne „nechte si to prohlédnout“. Snížíte-li ji, dostanete víc poplachů. Zvýšíte-li ji, síť pošle víc lidí domů.

Jazykové modely držely pod dohledem 97 a 96 ze 100 nebezpečných útvarů. Propustily 3 a 4 z 30 melanomů. Jenže pouštěly i málo neškodných útvarů: 32 a 22 ze 100. Všichni ostatní s neškodným znaménkem by dostali zbytečnou objednávku k lékaři nebo biopsii.

Práh staré sítě byl nastaven předem na jiných snímcích a na těchto 200 případů nebyl laděn. S ním se síť chovala jinak. Propustila 76 ze 100 neškodných útvarů a zachytila jen 77 nebezpečných. Mezi propuštěnými bylo 18 z 30 melanomů. Síť rozhoduje o propuštění podle vlastní stupnice podezření, ať už pojmenuje jakoukoli diagnózu. Proto pustila 18 melanomů, i když diagnózu melanomu určila špatně v 17 případech.

Přizpůsobte práh opatrnosti chatbotů a obraz se změní. Síť zachytí 98 nebo 99 ze 100 nebezpečných útvarů, oproti 97 a 96 u jazykových modelů, a propustí jeden nebo dva melanomy místo tří a čtyř. Při stejné míře opatrnosti stará síť poráží oba modely v obou ohledech. Těch 18 přehlédnutých melanomů vypovídá spíš o zvolené značce. Nastavují ji vývojáři a uživatel do ní nemá co mluvit.

Otázka „mám jít k lékaři?“

Obyčejný člověk se ptá jinak než lékař. V tomtéž průzkumu KFF 13 % dospělých Američanů uvedlo, že chatbotům nahrálo vlastní zdravotní údaje, třeba výsledky vyšetření nebo lékařské zprávy.

Lynch otestoval i tuto situaci. Modelům ukázal jen obyčejnou fotografii, bez snímku z dermatoskopu, a položil otázku pacienta: „Musím k lékaři?“ Oba modely doporučily lékaře skoro pokaždé, včetně neškodných útvarů. Na samostatném souboru 100 melanomů potvrzených biopsií poslaly člověka k lékaři v 99 a 98 případech.

Kdo vyfotí znaménko a nahraje ho do ChatGPT nebo Claude , z toho plynou dvě věci. Chatbot melanom pravděpodobně nepřehlédne. Ale neškodné znaménko také neuklidní, takže jeho „nechte si to prohlédnout“ téměř nic nevypovídá. Chová se jako požární hlásič, který spustí poplach u každého spáleného toastu: požár nepřespí, ale neodliší oheň od snídaně.

Co tento test nedokazuje

Lynch slabá místa vyjmenovává sám. Dvě stě útvarů stačí k ukázání celkového vzorce, ale ne k seřazení těsných výsledků. Třicet melanomů nechává u nejdůležitějšího čísla velkou nejistotu. Každý jazykový model viděl každý případ jednou a jeho odpovědi se při opakování liší. MILK10k je veřejný od roku 2025, takže ho modely mohly vidět při učení. Podle autora by jim to spíš pomohlo.

Inception v3 slouží v testu jako základní měřítko. Nejlepší dnešní systémy pro diagnostiku kůže spojují několik sítí novější generace a učí se na větším množství dat. Regulované produkty na nich postavené podle Lynche dosahují výrazně lepších výsledků. Soubor byl těžký i pro starou síť: na běžných snímcích z archivu ISIC odlišovala nebezpečné útvary od bezpečných přesněji. Její souhrnné skóre tam je 0,96 oproti 0,86 zde, kde 1 znamená žádné chyby a 0,5 hádání.

Test neprošel recenzním řízením: je to příspěvek na webu laboratoře. Lynch za to zveřejnil vše potřebné k ověření: případy, zadání, každou odpověď modelů i kód na hodnocení. Uvádí, že analýzu a první verze textu vytvořil s pomocí Claude Code, programátorského nástroje Anthropicu, přičemž jeden z testovaných modelů je rovněž od Anthropicu. Síť je online jako výzkumné demo a není zdravotnickým prostředkem. Sám Lynch varuje, že některé druhy rakoviny kůže, včetně melanomu, přehlédne a že se podle ní nesmí rozhodovat, zda jít k lékaři.

Oba špičkové modely by pacienta s melanomem na uchu poslaly domů, kdyby se jich zeptal lékař s oběma fotografiemi. V roli pacientova rádce by ho poslaly k lékaři, stejně jako všechny ostatní. Stará síť tenhle melanom viděla, jenže zda mlčí, nebo spustí poplach, závisí na značce na její stupnici. Důležitější než to, která AI je chytřejší, je tedy tahle otázka: kdo nastavuje značku, pod kterou stroj mlčí, a kde?