Vuoden 2015 neuroverkko voitti GPT-6:n ja Clauden ihosyövän tunnistuksessa

Melanooma on potilaan korvassa. Se on ohut, mutta se on jo alkanut kasvaa syvemmälle ihoon. Ihotautilääkäri Magnus Lynch näytti kahta kuvaa siitä kahdelle lokakuun 2026 tehokkaimmalle tekoälymallille, GPT-6 Astralle ja Claude Fable 5.1:lle. Molemmat vastasivat samaa: talirauhasmainen syylä eli seborrooinen keratoosi, vaaraton syylämäinen kasvain, potilaan voi kotiuttaa. Sitten samat kuvat annettiin neuroverkolle, jonka Googlen insinöörit esittelivät jo vuonna 2015. Se tunnisti muutoksen melanoomaksi.

Tapaus ei ole sattumaa. 25. lokakuuta 2026 julkaistussa testissä vanha Inception v3 -verkko nimesi oikean diagnoosin 125 muutokselle 200:sta eli 62 prosentille. Molemmat uusimmat mallit yltivät 42 prosenttiin. Vanhan verkon hienosäätö ihokuvilla vei kirjoittajan mukaan noin kaksikymmentä minuuttia. Testin kiinnostavin osa on kuitenkin tarkkuusprosentin takana: kumpikin kone erehtyy omalla tavallaan, ja se ratkaisee, kuka lähetetään kotiin syöpä mukanaan. Tämä ei ole enää akateeminen kysymys. KFF:n kyselyssä , joka tehtiin 24. helmikuuta – 2. maaliskuuta 2026, 32 prosenttia yhdysvaltalaisista aikuisista kertoi kysyneensä tekoälychatboteilta terveydestään viimeisen vuoden aikana, eikä luomen kuvaaminen tällaiseen keskusteluun hämmästytä enää ketään.

Kaksisataa luomea, jotka joku on jo leikannut pois

Lynch on konsultoiva ihotautilääkäri ja Mohsin mikrografisen kirurgian erikoislääkäri Guy’s Hospitalissa Lontoossa sekä King’s College Londonin kunniadosentti. Hänen tutkimusalaansa kuuluvat ihosyöpä ja tekoälyn käyttö ihotautiopissa, joten hän rakensi testin kliinikon tavoin. Kuvat tulivat MILK10k-aineistosta, julkisesta tietokannasta, jonka International Skin Imaging Collaboration (ISIC) julkaisi vuonna 2025. Jokainen sen muutos on kuvattu kahdesti: kerran tavallisena lähikuvana ja kerran dermatoskoopin läpi.

Lynch poimi satunnaisesti 200 muutosta. Jokainen diagnoosi oli varmistettu histologialla eli poistettua kudosta oli tutkittu mikroskoopilla. Sadaa muutosta ei saisi kotiuttaa: joukossa oli 30 melanoomaa, 25 tyvisolusyöpää, 25 okasolusyöpää ja 20 aktiinista keratoosia, auringon rikkomaa karheaa ihoaluetta, joka voi muuttua syöväksi. Toiset sata ovat vaarattomia: 50 tavallista luomea ja 50 seborrooista keratoosia.

Tyvisolu- ja okasolusyöpä ovat yleisimmät ihosyövät, ja kuten Cancer Research UK toteaa, ne harvoin leviävät muualle kehoon. Melanooma on testin tärkein raja. Sen ohittaminen on pahin virhe, minkä vuoksi melanooman luulemista tyvisolusyöväksi on pienempi paha: potilas jää silti lääkärin hoitoon.

Mukana on kuitenkin koukku, jonka kirjoittaja itsekin tuo esiin. Aineiston vaarattomat muutokset oli myös leikattu pois ja lähetetty laboratorioon. Jos joku päätti poistaa luomen, jokin siinä huolestutti kliinikkoa. Testi on siis täynnä hankalimpia luomia, sellaisia, jotka panevat asiantuntijatkin epäröimään.

Mallit saivat molemmat kuvat ja niiltä kysyttiin sitä, mitä lääkäri kysyisi: mikä kuudesta diagnoosista on todennäköisin, kuinka varmoja ne ovat, mikä olisi toinen vaihtoehto ja voiko potilaan kotiuttaa ilman hoitoa, koepalaa tai seurantaa. Kumpikaan malli ei kieltäytynyt yhdestäkään tapauksesta.

Verkko, josta tekoälyihotautilääkäri sai alkunsa

Inception v3:a ei rakennettu lääketieteeseen. Joulukuussa 2015 julkaistussa artikkelissa Googlen insinöörit esittelivät sen arkisten esineiden tunnistukseen valokuvista. Se on konvoluutioneuroverkko: se käy kuvan läpi pienillä ikkunoilla ja kokoaa pienistä yksityiskohdista, kuten reunoista ja laikuista, yhä suurempia kuvioita.

Tammikuussa 2017 Stanfordin tutkijaryhmä otti sen käyttöön. He hienosäätivät verkon 129 450 ihokuvalla, jotka kattoivat 2 032 sairautta, ja raportoivat Naturessa , että koepalalla varmistetuissa kuvissa verkko erotti syövän vaarattomista muutoksista yhtä hyvin kuin 21 erikoislääkärin pätevyyden omaavaa ihotautilääkäriä. Kirjoittajat ehdottivat, että älypuhelimessa toimiva verkko voisi viedä ihotautilääkärin osaamisen klinikan ulkopuolelle.

Lynch otti saman arkkitehtuurin ja hienosäätti sen ISIC Archiven 68 011 kuvalla yhdellä näytönohjaimella. Hän poisti opetusaineistosta etukäteen kaikki 200 testimuutosta sekä kaikki muut samojen muutosten tai potilaiden kuvat, joten verkko ei ollut nähnyt niitä koskaan. Uusimmat kielimallit kirjoittavat koodia, tarkistavat sopimuksia ja juttelevat mistä tahansa. Luomien tunnistuksessa ne hävisivät kymmenen vuoden takaiselle kapea-alaiselle erikoisosaajalle.

Jokaisella isolla mallilla on lempivastaus

Ero on suurin vaarattomissa muutoksissa. GPT-6 Astra tunnisti vain 16 luomea 50:stä ja Claude Fable 5.1 vain 6 seborrooista keratoosia 50:stä, kun verkko sai 37 ja 26. Chatbotit ovat heikoimpia juuri siinä, mitä voi jättää rauhaan. Yksikään melanoomaluku ei ole vaikuttava, mikä kuvaa rehellisesti vaikeaa aineistoa.

Pahempaa on, että jokaisella kielimallilla oli lempivastaus. GPT-6 Astra nimesi 75 muutosta tyvisolusyöväksi, vaikka aineistossa oli niitä 25, ja 14 kolmestakymmenestä melanoomasta päätyi tähän kasaan. Se potilas jäisi silti lääkärin hoitoon: melanooma luultiin toiseksi syöväksi. Kaikki 25 oikeaa tyvisolusyöpää se kuitenkin tunnisti, yhden enemmän kuin verkko, joka sai 24. Tuo täydellinen tulos on tavan sivutuote: kun joka kolmatta muutosta kutsuu tyvisolusyöväksi, yksikään oikea ei livahda ohi. Claude Fable 5.1 näki aktiinisen keratoosin 53 tapauksessa, vaikka niitä oli oikeasti 20. Näissä keratooseissa vanha verkko hävisi kummallekin mallille: 9 / 20 vastaan 10 ja 12. Toisessa esimerkissä GPT-6 Astra luuli hyvin vähän pigmenttiä sisältävää melanoomaa tyvisolusyöväksi ja arvioi varmuudekseen 95 prosenttia.

Verkon melanoomavirheet menivät toiseen suuntaan. Sen 17 ohilyönnistä se kutsui melanoomaa luomeksi 8 kertaa ja seborrooiseksi keratoosiksi 6 kertaa, eli kummassakin tapauksessa asiaksi, jonka voi jättää rauhaan. Tällaisella diagnoosilla ihmisen on helppo lähettää kotiin.

Kaikki ratkeaa kynnysarvosta

Lääkäri tarvitsee usein vastauksen yksinkertaisempaan kysymykseen kuin “mikä tämä on”: lähetetäänkö ihminen kotiin vai ei. Verkko vastaa siihen luvulla nollasta yhteen, joka kertoo, kuinka vaaralliselta muutos näyttää. Kynnysarvo on tämän asteikon merkki, jonka ylittyessä verkko sanoo “käy tarkastuttamassa”. Laske merkkiä, niin hälytyksiä tulee enemmän. Nosta sitä, niin verkko lähettää useampia kotiin.

Kielimallit pitivät seurannassa 97 ja 96 sadasta vaarallisesta muutoksesta. Ne kotiuttivat 3 ja 4 melanoomaa kolmestakymmenestä. Mutta ne päästivät vähän vaarattomiakin menemään: 32 ja 22 sadasta. Kaikki muut hyvänlaatuisen luomen omistajat olisi lähetetty turhalle vastaanotolle tai koepalaan.

Vanhan verkon kynnys oli asetettu etukäteen muilla kuvilla, eikä sitä viritetty näille 200 tapaukselle. Sillä verkko käyttäytyi toisin. Se kotiutti 76 sadasta vaarattomasta muutoksesta ja piti seurannassa vain 77 vaarallisista. Päästettyjen joukossa oli 18 melanoomaa kolmestakymmenestä. Verkko päättää kotiuttamisesta oman epäilyasteikkonsa mukaan riippumatta siitä, minkä diagnoosin se nimeää. Siksi se päästi 18 melanoomaa menemään, vaikka melanoomadiagnoosi meni väärin 17 tapauksessa.

Sovita kynnys chattibottien varovaisuuteen, ja kuva muuttuu. Verkko pitää seurannassa 98 tai 99 sadasta vaarallisesta muutoksesta, kun kielimallit pitävät 97 ja 96, ja kotiuttaa yhden tai kaksi melanoomaa, kun mallit kotiuttavat kolme ja neljä. Samalla varovaisuuden tasolla vanha verkko voittaa kummankin mallin molemmissa mittareissa. Ne 18 ohitettua melanoomaa kertovat enemmän valitusta rajasta. Sen asettavat kehittäjät, eikä käyttäjällä ole siihen sananvaltaa.

Kysymys “pitäisikö mennä lääkäriin?”

Tavallinen ihminen kysyy toisin kuin lääkäri. Samassa KFF:n kyselyssä 13 prosenttia yhdysvaltalaisista aikuisista kertoi ladanneensa omia lääketieteellisiä tietojaan chatboteille, esimerkiksi koetuloksia tai lääkärin muistiinpanoja.

Lynch testasi myös tämän tilanteen. Hän näytti malleille vain tavallisen valokuvan ilman dermatoskooppikuvaa ja esitti potilaan kysymyksen: “Pitääkö minun mennä lääkäriin?” Molemmat mallit neuvoivat menemään lääkäriin lähes joka kerta, vaarattomissa muutoksissakin. Erillisessä 100 koepalalla varmistetun melanooman aineistossa ne lähettivät ihmisen lääkäriin 99 ja 98 tapauksessa.

Sille, joka kuvaa luomensa ja lataa kuvan ChatGPT:hen tai Claudeen , tästä seuraa kaksi asiaa. Chatbot ei todennäköisesti ohita melanoomaa. Se ei myöskään vapauta hyvänlaatuista luomea, joten sen “käy tarkastuttamassa” kertoo lähes ei mitään. Se toimii kuin palohälytin, joka soi jokaisesta palaneesta paahtoleivästä: se ei nuku tulipalon läpi, mutta se ei erota tulipaloa aamiaisesta.

Mitä tämä testi ei todista

Lynch luettelee heikkoutensa itse. Kaksisataa muutosta riittää osoittamaan yleisen kuvion mutta ei järjestämään lähellä toisiaan olevia tuloksia. Kolmekymmentä melanoomaa jättää suuren epävarmuuden tärkeimpään lukuun. Kukin kielimalli näki kunkin tapauksen vain kerran, ja niiden vastaukset vaihtelevat kerrasta toiseen. MILK10k on ollut julkinen vuodesta 2025, joten mallit ovat saattaneet nähdä sen opetuksessa. Kirjoittajan mukaan se olisi pikemminkin auttanut niitä.

Inception v3 toimii testissä vertailukohtana. Parhaat nykyiset ihodiagnostiikkajärjestelmät yhdistävät useita uudemman sukupolven verkkoja ja opetetaan suuremmalla aineistolla. Lynchin mukaan niihin perustuvat säännellyt tuotteet toimivat huomattavasti paremmin. Aineisto oli vaikea myös vanhalle verkolle: tavallisilla ISIC Archiven kuvilla se erotti vaaralliset muutokset vaarattomista tarkemmin. Sen yhteenvetopistemäärä oli siellä 0,96 ja täällä 0,86, kun 1 tarkoittaa virheetöntä ja 0,5 arvausta.

Testiä ei ole vertaisarvioitu: se on laboratorion verkkosivulla julkaistu kirjoitus. Vastapainoksi Lynch julkaisi kaiken tarkistukseen tarvittavan: tapaukset, kehotteet, jokaisen mallin vastauksen ja pisteytyskoodin. Hän kertoo, että analyysin ja ensimmäiset luonnokset tehtiin Claude Codella, Anthropicin ohjelmointityökalulla, ja yksi testatuista malleista on myös Anthropicin. Verkko on verkossa tutkimusdemona , eikä se ole lääkinnällinen laite. Lynch itse varoittaa, että se ohittaa osan ihosyövistä, melanooma mukaan lukien, eikä sen perusteella saa päättää, menekö lääkäriin.

Molemmat uusimmat mallit olisivat lähettäneet korvamelanoomapotilaan kotiin, kun niiltä kysyttiin lääkärin tavoin ja molemmat kuvat näytettiin. Potilaan neuvonantajina ne olisivat lähettäneet hänet lääkäriin, kuten kaikki muutkin. Vanha verkko kyllä näki tämän melanooman, mutta se, pysyykö se hiljaa vai hälyttääkö, riippuu asteikon merkistä. Tärkeämpi kysymys kuin se, kumpi tekoäly on älykkäämpi, onkin tämä: kuka asettaa rajan, jonka alapuolella kone vaikenee, ja mihin?