Una red neuronal de 2015 superó a GPT-6 y Claude al detectar el cáncer de piel

El melanoma está en la oreja de un paciente. Es fino, pero ya ha empezado a crecer hacia el interior de la piel. El dermatólogo Magnus Lynch enseñó dos fotos a dos de los modelos de IA más potentes de octubre de 2026, GPT-6 Astra y Claude Fable 5.1. Los dos dieron la misma respuesta: queratosis seborreica, un crecimiento verrugoso inofensivo; se puede dar el alta. Después las mismas fotos pasaron por una red neuronal que unos ingenieros de Google describieron en 2015. Ella dijo que era un melanoma.

El caso no es una casualidad. En una prueba publicada el 25 de octubre de 2026 , la veterana Inception v3 nombró el diagnóstico correcto en 125 de 200 lesiones, es decir, el 62 %. Los dos modelos de frontera lograron un 42 %. Reentrenar la red antigua con imágenes de piel llevó, según el autor, unos veinte minutos. Lo más interesante de la prueba está más allá del porcentaje de aciertos: cada máquina falla a su manera, y eso decide a quién se manda a casa con un cáncer. Ya no es una cuestión académica. En una encuesta de KFF realizada entre el 24 de febrero y el 2 de marzo de 2026, el 32 % de los adultos estadounidenses dijo haber consultado a chatbots de IA sobre su salud en el último año, y la foto de un lunar en uno de esos chats ya no sorprende a nadie.

Doscientos lunares que alguien ya extirpó

Lynch es dermatólogo consultor y cirujano de Mohs en el Guy’s Hospital de Londres y profesor honorario en el King’s College London. Investiga el cáncer de piel y el uso de la IA en dermatología, así que montó la prueba como lo haría un clínico. Sacó las imágenes de MILK10k, un conjunto de datos público publicado en 2025 por la Colaboración Internacional de Imagen Cutánea (ISIC). Cada lesión está fotografiada dos veces: una como primer plano corriente y otra a través de un dermatoscopio.

Lynch eligió 200 lesiones al azar. Cada diagnóstico estaba confirmado por histología, es decir, examinando el tejido extirpado al microscopio. Cien de las lesiones no debían recibir el alta: 30 melanomas, 25 carcinomas basocelulares, 25 carcinomas epidermoides y 20 queratosis actínicas, placas ásperas por el daño solar que pueden convertirse en cáncer. Las otras cien son inocuas: 50 lunares corrientes y 50 queratosis seborreicas.

Los carcinomas basocelular y epidermoide son los cánceres de piel más frecuentes y, como señala Cancer Research UK , rara vez se extienden a otras partes del cuerpo. El melanoma es la línea que más importa en esta prueba. Pasarlo por alto es el peor error, y por eso confundir un melanoma con un carcinoma basocelular es el mal menor: el paciente sigue en manos del médico.

Hay una trampa, y el propio autor la señala. Las lesiones inofensivas del conjunto también se extirparon y se enviaron al laboratorio. Si alguien decidió quitar un lunar, es que algo en él preocupaba a un clínico. Así que la prueba está llena de los lunares más traicioneros, de los que hacen dudar a los especialistas.

Los modelos recibieron ambas fotos y se les preguntó lo que preguntaría un médico: cuál de seis diagnósticos es el más probable, con cuánta seguridad, cuál sería la segunda opción y si se puede dar el alta al paciente sin tratamiento, biopsia ni seguimiento. Ninguno de los dos modelos se negó a responder en ningún caso.

La red que inició al dermatólogo artificial

Inception v3 no se creó para la medicina. En un artículo de diciembre de 2015 , los ingenieros de Google la presentaron como una red para reconocer objetos cotidianos en fotos. Es una red neuronal convolucional: recorre la imagen con ventanas pequeñas y ensambla detalles menudos, como bordes y manchas, en patrones cada vez mayores.

En enero de 2017 la recogió un equipo de Stanford. La reentrenaron con 129 450 imágenes de piel que abarcaban 2032 enfermedades e informaron en Nature de que, con imágenes confirmadas por biopsia, distinguía el cáncer de las lesiones inofensivas tan bien como 21 dermatólogos certificados. Los autores sugerían que una red así, en un teléfono, podría llevar el alcance del dermatólogo más allá de la consulta.

Lynch tomó la misma arquitectura y la reentrenó con 68 011 imágenes del archivo ISIC en una sola tarjeta gráfica. Antes eliminó de los datos de entrenamiento las 200 lesiones de la prueba, y cualquier otra foto de las mismas lesiones o de los mismos pacientes, de modo que la red nunca las había visto. Los modelos de lenguaje más nuevos escriben código, revisan contratos y charlan de lo que sea. A la hora de reconocer lunares, perdieron ante una especialista estrecha de hace una década.

Cada modelo grande tiene su respuesta favorita

La distancia es mayor en las lesiones inofensivas. GPT-6 Astra reconoció solo 16 de 50 lunares y Claude Fable 5.1 solo 6 de 50 queratosis seborreicas, mientras que la red acertó 37 y 26. Los chatbots son peores justo en reconocer lo que se puede dejar en paz. Ninguna de las cifras de melanoma impresiona, lo que retrata con honestidad un conjunto difícil.

Peor aún, cada modelo de lenguaje tenía su respuesta favorita. GPT-6 Astra etiquetó 75 lesiones como carcinoma basocelular cuando el conjunto tenía 25, y 14 de los 30 melanomas fueron a parar a ese montón. Ese paciente seguiría en manos del médico: el melanoma se confundió con otro cáncer. Eso sí, acertó los 25 carcinomas basocelulares reales, uno más que los 24 de la red. Esa nota perfecta es un efecto secundario de la manía: si llamas carcinoma basocelular a una de cada tres lesiones, ninguno de los reales se te escapa. Claude Fable 5.1 vio queratosis actínica en 53 casos frente a las 20 reales. En esas queratosis la red antigua perdió ante los dos modelos, con 9 de 20 frente a 10 y 12. En otro ejemplo, GPT-6 Astra confundió un melanoma con muy poco pigmento con un carcinoma basocelular y puso su seguridad en el 95 %.

Los errores de la red con el melanoma fueron en sentido contrario. De sus 17 fallos, llamó lunar al melanoma 8 veces y queratosis seborreica 6 veces, dos cosas que se pueden dejar estar. Con un diagnóstico así, es fácil mandar a una persona a casa.

Todo se reduce al umbral

Lo que un médico necesita a menudo es la respuesta a una pregunta más simple que «qué es»: mandar a la persona a casa o no. La red la responde con un número de 0 a 1 que indica cuánto parece peligrosa una lesión. El umbral es una marca en esa escala por encima de la cual la red dice «hágase revisar». Si bajas la marca, hay más alarmas. Si la subes, la red manda a más gente a casa.

Los modelos de lenguaje mantuvieron bajo vigilancia 97 y 96 de las 100 lesiones peligrosas. Dieron el alta a 3 y 4 de los 30 melanomas. Pero dejaron marchar a pocas lesiones inofensivas: 32 y 22 de 100. Todos los demás con un lunar benigno habrían recibido una cita innecesaria o una biopsia.

El umbral de la red antigua se fijó de antemano con otras imágenes y no se ajustó a estos 200 casos. Con él, la red se comportó de otra manera. Dio el alta a 76 de las 100 lesiones inofensivas y solo mantuvo en vigilancia 77 de las peligrosas. Entre las que dejó marchar había 18 de los 30 melanomas. La red decide si da el alta según su propia escala de sospecha, sea cual sea el diagnóstico que nombre. Por eso dejó marchar 18 melanomas aunque falló el diagnóstico de melanoma en 17 casos.

Ajusta el umbral a la cautela de los chatbots y el panorama cambia. La red mantiene 98 o 99 de las 100 lesiones peligrosas, frente a 97 y 96 de los modelos de lenguaje, y da el alta a uno o dos melanomas frente a tres y cuatro. Con el mismo nivel de cautela, la red antigua gana a ambos modelos en las dos cuentas. Los 18 melanomas perdidos hablan más de la marca elegida. La fijan los desarrolladores, y el usuario no tiene voz ni voto.

La pregunta «¿debería ir al médico?»

Una persona corriente pregunta distinto que un médico. En la misma encuesta de KFF, el 13 % de los adultos estadounidenses dijo haber subido a chatbots su propia información médica, como resultados de análisis o notas de sus médicos.

Lynch probó también ese escenario. Enseñó a los modelos solo la foto corriente, sin la imagen del dermatoscopio, y les hizo la pregunta de un paciente: «¿Necesito ver a un médico?». Los dos modelos aconsejaron ir al médico casi siempre, incluso con las lesiones inofensivas. En un conjunto aparte de 100 melanomas confirmados por biopsia, mandaron a la persona al médico en 99 y 98 casos.

Para quien fotografía un lunar y lo sube a ChatGPT o a Claude , de aquí se desprenden dos cosas. Lo más probable es que el chatbot no pase por alto un melanoma. Pero tampoco dará por bueno un lunar benigno, así que su «hágase revisar» casi no informa de nada. Se comporta como una alarma de humo que salta con cada tostada quemada: no se dormirá durante un incendio, pero no distingue un incendio de un desayuno.

Lo que esta prueba no demuestra

Lynch enumera él mismo los puntos débiles. Doscientas lesiones bastan para mostrar el patrón general, pero no para ordenar resultados parecidos. Treinta melanomas dejan una incertidumbre amplia en la cifra que más importa. Cada modelo de lenguaje vio cada caso una sola vez, y sus respuestas varían de una ejecución a otra. MILK10k es público desde 2025, así que los modelos pueden haberlo visto durante el entrenamiento. A juicio del autor, eso, en todo caso, les habría ayudado.

Inception v3 sirve de línea base en la prueba. Los mejores sistemas actuales de diagnóstico de piel combinan varias redes de generaciones más recientes y se entrenan con más datos. Los productos regulados basados en ellos, dice Lynch, rinden bastante mejor. El conjunto fue difícil también para la red antigua: con imágenes corrientes del archivo ISIC separaba con más precisión las lesiones peligrosas de las seguras. Su puntuación global allí es de 0,96 frente a 0,86 aquí, donde 1 significa cero errores y 0,5 significa adivinar.

La prueba no ha pasado revisión por pares: es una entrada en la web del laboratorio. A cambio, Lynch publicó todo lo necesario para comprobarla: los casos, las instrucciones, cada respuesta de los modelos y el código de puntuación. Declara que el análisis y los primeros borradores se hicieron con Claude Code, la herramienta de programación de Anthropic, y que uno de los modelos que probó también es de Anthropic. La red está en línea como demostración de investigación y no es un producto sanitario. El propio Lynch advierte de que se le escapan algunos cánceres de piel, melanoma incluido, y de que no debe usarse para decidir si ir al médico.

Si se les hubiera preguntado como a un médico, con las dos fotos, los dos modelos de frontera habrían mandado a casa al paciente con el melanoma en la oreja. Actuando como asesores del paciente, lo habrían enviado al médico, como a todos los demás. La red antigua sí vio este melanoma, pero que calle o dé la alarma depende de una marca en su escala. Así que la pregunta que importa más que cuál es la IA más lista es esta: ¿quién fija la marca por debajo de la cual la máquina calla, y dónde?