Ein neuronales Netz von 2015 schlägt GPT-6 und Claude bei der Erkennung von Hautkrebs

Das Melanom sitzt am Ohr eines Patienten. Es ist dünn, wächst aber bereits in die Haut hinein. Der Dermatologe Magnus Lynch zeigte zwei Fotos davon den zwei leistungsfähigsten KI-Modellen, die es im Oktober 2026 gibt: GPT-6 Astra und Claude Fable 5.1. Beide gaben dieselbe Antwort: seborrhoische Keratose, ein harmloser warzenartiger Auswuchs, der Patient kann nach Hause. Dann gingen dieselben Fotos an ein neuronales Netz, das Google-Ingenieure schon 2015 beschrieben hatten. Es nannte die Stelle ein Melanom.

Das ist kein Einzelfall. In einem am 25. Oktober 2026 veröffentlichten Test nannte das alte Netz Inception v3 bei 125 von 200 Hautveränderungen die richtige Diagnose, also bei 62 %. Beide aktuellen Modelle kamen auf 42 %. Das Feintuning des alten Netzes auf Hautbildern dauerte nach Angaben des Autors etwa zwanzig Minuten. Spannender als die Trefferquote ist der Rest des Tests: Jede Maschine scheitert auf ihre eigene Art, und davon hängt ab, wer mit Krebs nach Hause geschickt wird. Das ist keine akademische Frage mehr. In einer KFF-Umfrage vom 24. Februar bis 2. März 2026 gaben 32 % der erwachsenen Amerikaner an, im vergangenen Jahr KI-Chatbots zu ihrer Gesundheit befragt zu haben. Das Foto eines Muttermals in so einem Chat wundert heute niemanden mehr.

Zweihundert Muttermale, die schon jemand herausgeschnitten hat

Lynch ist Consultant-Dermatologe und Mohs-Chirurg am Guy’s Hospital in London und Honorary Reader am King’s College London. Er forscht zu Hautkrebs und zum Einsatz von KI in der Dermatologie und hat den Test deshalb wie ein Kliniker aufgebaut. Die Bilder stammen aus MILK10k, einem öffentlichen Datensatz, der 2025 über die International Skin Imaging Collaboration (ISIC) erschien. Jede Hautveränderung darin ist zweimal fotografiert: einmal als gewöhnliche Nahaufnahme und einmal durch ein Dermatoskop.

Lynch zog 200 Hautveränderungen nach Zufall. Jede Diagnose war histologisch bestätigt, das heißt, das entfernte Gewebe war unter dem Mikroskop untersucht worden. Hundert der Veränderungen dürfen nicht einfach entlassen werden: 30 Melanome, 25 Basalzellkarzinome, 25 Plattenepithelkarzinome und 20 aktinische Keratosen, raue, sonnengeschädigte Stellen, aus denen Krebs werden kann. Die anderen hundert sind ungefährlich: 50 gewöhnliche Muttermale und 50 seborrhoische Keratosen.

Basalzell- und Plattenepithelkarzinome sind die häufigsten Hautkrebsarten und streuen laut Cancer Research UK selten in andere Körperteile. Die Grenze, auf die es in diesem Test am meisten ankommt, ist das Melanom. Es zu übersehen ist der schlimmste Fehler. Deshalb ist es das kleinere Übel, ein Melanom für ein Basalzellkarzinom zu halten: Der Patient bleibt trotzdem in ärztlicher Hand.

Einen Haken gibt es, und der Autor nennt ihn selbst. Auch die harmlosen Veränderungen im Set wurden herausgeschnitten und ins Labor geschickt. Wer sich entschied, ein Muttermal zu entfernen, hatte dazu einen Anlass: Etwas daran beunruhigte einen Kliniker. Der Test steckt also voller kniffliger Muttermale, bei denen selbst Fachleute zögern.

Die Modelle bekamen beide Fotos und wurden gefragt, was auch ein Arzt fragen würde: Welche von sechs Diagnosen ist am wahrscheinlichsten, wie sicher sind sie, was wäre die zweite Wahl, und kann der Patient ohne Behandlung, Biopsie oder Kontrolle entlassen werden? Keines der Modelle lehnte auch nur einen Fall ab.

Das Netz, mit dem der KI-Hautarzt begann

Inception v3 wurde nicht für die Medizin gebaut. In einem Aufsatz vom Dezember 2015 stellten Google-Ingenieure es als Netz zur Erkennung alltäglicher Gegenstände auf Fotos vor. Es ist ein Convolutional Neural Network: Es tastet ein Bild durch kleine Fenster ab und setzt kleine Details wie Kanten und Flecken zu immer größeren Mustern zusammen.

Im Januar 2017 griff ein Team der Stanford University es auf. Die Forscher trainierten es mit 129.450 Hautbildern zu 2.032 Krankheiten nach und berichteten in Nature , dass es auf biopsiegesicherten Bildern Krebs von harmlosen Veränderungen so gut unterschied wie 21 Fachärzte für Dermatologie. Die Autoren meinten, ein solches Netz auf dem Smartphone könne die Reichweite eines Hautarztes über die Klinik hinaus tragen.

Lynch nahm dieselbe Architektur und trainierte sie auf einer einzigen Grafikkarte mit 68.011 Bildern aus dem ISIC-Archiv nach. Alle 200 Testfälle und sämtliche anderen Fotos derselben Veränderungen oder Patienten entfernte er vorher aus den Trainingsdaten, das Netz hatte sie also nie gesehen. Die neuesten Sprachmodelle schreiben Code, prüfen Verträge und plaudern über alles Mögliche. Beim Erkennen von Muttermalen unterlagen sie einem schmalen Spezialisten von vor zehn Jahren.

Jedes große Modell hat seine Lieblingsantwort

Am größten ist der Abstand bei den harmlosen Veränderungen. GPT-6 Astra erkannte nur 16 von 50 Muttermalen, Claude Fable 5.1 nur 6 von 50 seborrhoischen Keratosen, das Netz dagegen 37 und 26. Ausgerechnet das, was man in Ruhe lassen kann, erkennen die Chatbots am schlechtesten. Keine der Melanom-Zahlen beeindruckt, was ein ehrliches Bild eines schweren Datensatzes ergibt.

Schlimmer noch: Jedes Sprachmodell hatte eine Lieblingsantwort. GPT-6 Astra bezeichnete 75 Veränderungen als Basalzellkarzinom, obwohl im Set nur 25 waren, und 14 der 30 Melanome landeten in diesem Haufen. Dieser Patient bliebe trotzdem in ärztlicher Hand: Das Melanom wurde mit einem anderen Krebs verwechselt. Alle 25 echten Basalzellkarzinome erkannte das Modell richtig, eines mehr als die 24 des Netzes. Dieses Spitzenergebnis ist ein Nebeneffekt der Gewohnheit: Wer jede dritte Veränderung Basalzellkarzinom nennt, lässt kein echtes durchrutschen. Claude Fable 5.1 sah in 53 Fällen eine aktinische Keratose, wo es in Wahrheit 20 gab. Bei diesen Keratosen unterlag das alte Netz beiden Modellen: 9 von 20 gegenüber 10 und 12. In einem anderen Beispiel hielt GPT-6 Astra ein sehr pigmentarmes Melanom für ein Basalzellkarzinom und gab seine Sicherheit mit 95 % an.

Die Melanom-Fehler des Netzes gingen in die andere Richtung. Von seinen 17 Fehlgriffen nannte es das Melanom 8-mal ein Muttermal und 6-mal eine seborrhoische Keratose, beides Dinge, die man in Ruhe lassen kann. Mit so einer Diagnose ist ein Mensch leicht nach Hause geschickt.

Alles hängt an der Schwelle

Was ein Arzt oft braucht, ist die Antwort auf eine einfachere Frage als „Was ist das?“: den Menschen nach Hause schicken oder nicht. Das Netz beantwortet sie mit einer Zahl von 0 bis 1, die zeigt, wie gefährlich eine Veränderung aussieht. Die Schwelle ist eine Markierung auf dieser Skala, ab der das Netz sagt: „Lassen Sie es abklären.“ Senkt man die Markierung, gibt es mehr Alarme. Hebt man sie an, schickt das Netz mehr Menschen nach Hause.

Die Sprachmodelle behielten 97 und 96 der 100 gefährlichen Veränderungen im Blick. Von den 30 Melanomen entließen sie 3 und 4. Aber auch harmlose Veränderungen ließen sie kaum durch: 32 und 22 von 100. Alle anderen mit einem gutartigen Muttermal wären zu einem unnötigen Termin oder einer Biopsie geschickt worden.

Die Schwelle des alten Netzes war vorab an anderen Bildern festgelegt und nicht auf diese 200 Fälle abgestimmt worden. Mit ihr verhielt sich das Netz anders. Es entließ 76 der 100 harmlosen Veränderungen und behielt nur 77 der gefährlichen im Blick. Unter den Entlassenen waren 18 der 30 Melanome. Ob das Netz entlässt, entscheidet es nach seiner eigenen Skala des Verdachts, gleichgültig, welche Diagnose es nennt. Darum ließ es 18 Melanome gehen, obwohl es die Melanom-Diagnose nur in 17 Fällen verfehlte.

Stimmt man die Schwelle auf die Vorsicht der Chatbots ab, ändert sich das Bild. Das Netz behält 98 oder 99 der 100 gefährlichen Veränderungen im Blick, die Sprachmodelle 97 und 96, und es entlässt ein oder zwei Melanome gegenüber drei und vier. Bei gleicher Vorsicht schlägt das alte Netz beide Modelle in beiden Punkten. Die 18 übersehenen Melanome sagen mehr über die gewählte Markierung aus. Die Entwickler legen sie fest, der Nutzer hat kein Mitspracherecht.

Die Frage „Soll ich zum Arzt?“

Ein gewöhnlicher Mensch fragt anders als ein Arzt. In derselben KFF-Umfrage gaben 13 % der erwachsenen Amerikaner an, eigene medizinische Daten in Chatbots hochgeladen zu haben, etwa Laborwerte oder Arztnotizen.

Auch dieses Szenario testete Lynch. Er zeigte den Modellen nur das gewöhnliche Foto ohne Dermatoskop-Bild und stellte eine Patientenfrage: „Muss ich zum Arzt?“ Beide Modelle rieten fast immer zum Arztbesuch, auch bei harmlosen Veränderungen. Bei einem separaten Satz von 100 biopsiegesicherten Melanomen schickten sie den Menschen in 99 und 98 Fällen zum Arzt.

Für jemanden, der ein Muttermal fotografiert und in ChatGPT oder Claude hochlädt, folgt daraus zweierlei. Der Chatbot übersieht ein Melanom wahrscheinlich nicht. Ein gutartiges Muttermal gibt er aber auch nicht frei, sein „Lassen Sie es abklären“ sagt also fast nichts. Er verhält sich wie ein Rauchmelder, der bei jeder angebrannten Toastscheibe losgeht: Ein Feuer verschläft er nicht, aber er kann Feuer nicht von Frühstück unterscheiden.

Was dieser Test nicht beweist

Die Schwachstellen nennt Lynch selbst. Zweihundert Veränderungen reichen, um das Gesamtmuster zu zeigen, aber nicht, um knappe Ergebnisse zu ordnen. Dreißig Melanome lassen bei der wichtigsten Zahl große Unsicherheit. Jedes Sprachmodell sah jeden Fall nur einmal, und seine Antworten schwanken von Durchlauf zu Durchlauf. MILK10k ist seit 2025 öffentlich, die Modelle könnten den Satz also im Training gesehen haben. Aus Sicht des Autors hätte das ihnen eher genützt.

Inception v3 dient im Test als Referenzwert. Die besten heutigen Systeme zur Hautdiagnose kombinieren mehrere Netze neuerer Generation und trainieren mit mehr Daten. Zugelassene Produkte darauf schneiden laut Lynch deutlich besser ab. Auch für das alte Netz war das Set schwer: Auf gewöhnlichen Bildern aus dem ISIC-Archiv trennte es gefährliche von sicheren Veränderungen genauer. Sein Gesamtwert liegt dort bei 0,96 gegenüber 0,86 hier, wobei 1 keine Fehler und 0,5 reines Raten bedeutet.

Der Test wurde nicht von unabhängigen Fachleuten begutachtet: Er ist ein Beitrag auf der Website des Labors. Dafür hat Lynch alles veröffentlicht, was zur Überprüfung nötig ist: die Fälle, die Prompts, jede Antwort der Modelle und den Code zur Auswertung. Er legt offen, dass Analyse und erste Entwürfe mit Claude Code, dem Programmierwerkzeug von Anthropic, entstanden, während eines der getesteten Modelle ebenfalls von Anthropic stammt. Das Netz ist als Forschungsdemo online und kein Medizinprodukt. Lynch warnt selbst, dass es manche Hautkrebsarten übersieht, darunter das Melanom, und nicht zur Entscheidung über einen Arztbesuch benutzt werden darf.

Beide aktuellen Modelle hätten den Patienten mit dem Melanom am Ohr nach Hause geschickt, wenn man sie wie einen Arzt mit beiden Fotos gefragt hätte. Als Berater des Patienten hätten sie ihn wie alle anderen zum Arzt geschickt. Das alte Netz sah dieses Melanom, doch ob es schweigt oder Alarm schlägt, hängt an einer Markierung auf seiner Skala. Wichtiger als die Frage, welche KI klüger ist, ist deshalb diese: Wer legt die Markierung fest, unterhalb derer die Maschine schweigt, und wo?