רשת נוירונים מ-2015 ניצחה את GPT-6 ואת Claude בזיהוי סרטן העור

המלנומה נמצאת על אוזנו של מטופל. היא דקה, אבל כבר התחילה לחדור לעומק העור. רופא העור מגנוס לינץ’ הראה שתי תמונות שלה לשניים מדגמי הבינה המלאכותית החזקים ביותר באוקטובר 2026, GPT-6 Astra ו-Claude Fable 5.1. שניהם נתנו אותה תשובה: קרטוזיס סבוראי, גידול יבלתי שפיר, אפשר לשחרר הביתה. אחר כך אותן תמונות הועברו לרשת נוירונים שמהנדסי גוגל תיארו כבר ב-2015. היא זיהתה מלנומה.

המקרה הזה אינו מקרי. בבדיקה שפורסמה ב-25 באוקטובר 2026 הרשת הוותיקה Inception v3 קבעה אבחנה נכונה ב-125 מתוך 200 נגעים, כלומר 62%. שני מודלי החזית הגיעו ל-42%. כוונון הרשת הישנה על תמונות עור נמשך, לדברי המחבר, כעשרים דקות. החלק המעניין יותר בבדיקה נמצא מעבר לציון הדיוק: כל מכונה טועה בדרכה, וזה מה שקובע מי יישלח הביתה עם סרטן. זו כבר לא שאלה אקדמית. בסקר KFF שנערך בין 24 בפברואר ל-2 במרץ 2026, 32% מהבוגרים האמריקאים אמרו ששאלו צ’אטבוטים על בריאותם במהלך השנה האחרונה, ותמונה של כתם בעור בצ’אט כזה כבר לא מפתיעה איש.

מאתיים כתמים שמישהו כבר חתך

לינץ’ הוא רופא עור יועץ ומנתח מוס (Mohs) בבית החולים גיי’ס בלונדון, וקורא כבוד בקינגס קולג’ לונדון. המחקר שלו עוסק בסרטן העור ובשימוש בבינה מלאכותית בדרמטולוגיה, ולכן בנה את הבדיקה כמו קלינאי. את התמונות לקח מ-MILK10k, מאגר ציבורי שפורסם ב-2025 דרך שיתוף הפעולה הבין-לאומי להדמיית עור (ISIC). כל נגע בו צולם פעמיים: פעם כצילום מקרוב רגיל ופעם דרך דרמטוסקופ.

לינץ’ דגם באקראי 200 נגעים. כל אבחנה אושרה בבדיקה היסטולוגית, כלומר הרקמה שהוסרה נבדקה במיקרוסקופ. מאה מהנגעים אסור לשחרר: 30 מלנומות, 25 קרצינומות של תאי בסיס, 25 קרצינומות של תאי קשקש ו-20 קרטוזיסים אקטיניים, כתמים מחוספסים שנגרמו מהשמש ועלולים להפוך לסרטן. מאה האחרים בטוחים: 50 שומות רגילות ו-50 קרטוזיסים סבוראיים.

קרצינומות של תאי בסיס ושל תאי קשקש הן סוגי סרטן העור הנפוצים ביותר, וכפי שCancer Research UK מציין, הן מתפשטות לחלקים אחרים בגוף לעיתים נדירות. מלנומה היא הקו שחשוב ביותר בבדיקה הזו. החמצה שלה היא הטעות החמורה ביותר, ולכן בלבול בין מלנומה לקרצינומה של תאי בסיס הוא הרע במיעוטו: המטופל נשאר בטיפול הרופא.

יש מלכוד, והמחבר מצביע עליו בעצמו. גם הנגעים התמימים במערך הוסרו ונשלחו למעבדה. אם מישהו החליט להסיר שומה, משהו בה הדאיג קלינאי. לכן הבדיקה מלאה בשומות הקשות ביותר, מהסוג שגורם למומחים להסס.

המודלים קיבלו את שתי התמונות ונשאלו מה שרופא היה שואל: איזו מבין שש אבחנות סבירה ביותר, עד כמה הם בטוחים, מהי הבחירה השנייה, והאם אפשר לשחרר את המטופל ללא טיפול, ביופסיה או מעקב. אף אחד מהמודלים לא סירב אף למקרה אחד.

הרשת שהתחילה את רופא העור הדיגיטלי

Inception v3 לא נבנתה לרפואה. במאמר מדצמבר 2015 מהנדסי גוגל הציגו אותה כרשת לזיהוי חפצים יומיומיים בתמונות. זו רשת נוירונים קונבולוציונית: היא סורקת תמונה דרך חלונות קטנים ומרכיבה פרטים זעירים, כמו קצוות וכתמים, לדפוסים גדולים יותר ויותר.

בינואר 2017 צוות מסטנפורד אימץ אותה. הם כיוונו אותה על 129,450 תמונות עור שכיסו 2,032 מחלות ודיווחו ב-Nature שבתמונות שאומתו בביופסיה היא הבחינה בין סרטן לנגעים תמימים ברמה של 21 רופאי עור מוסמכים. המחברים הציעו שרשת כזו בסמארטפון יכולה להרחיב את טווח הגעה של רופא העור אל מעבר למרפאה.

לינץ’ לקח את אותה ארכיטקטורה וכיוון אותה על 68,011 תמונות מארכיון ISIC על כרטיס גרפי אחד. הוא הסיר מראש מנתוני האימון את כל 200 נגעי המבחן, וכל תמונה אחרת של אותם נגעים או מטופלים, כך שהרשת מעולם לא ראתה אותם. מודלי השפה החדשים ביותר כותבים קוד, בוחנים חוזים ומשוחחים על כל נושא שיעלה על הדעת. בזיהוי שומות הם הפסידו למומחית צרה בת עשור.

לכל מודל גדול יש תשובה אהובה

הפער רחב ביותר בנגעים התמימים. GPT-6 Astra זיהתה רק 16 מתוך 50 שומות, Claude Fable 5.1 רק 6 מתוך 50 קרטוזיסים סבוראיים, ואילו הרשת הגיעה ל-37 ול-26. הצ’אטבוטים גרועים ביותר דווקא בזיהוי מה שאפשר להשאיר במנוחה. אף אחד ממספרי המלנומה אינו מרשים, וזו תמונה כנה של מערך קשה.

גרוע מזה, לכל מודל שפה הייתה תשובה אהובה. GPT-6 Astra תייגה 75 נגעים כקרצינומה של תאי בסיס כשבמערך היו 25, ו-14 מתוך 30 המלנומות נחתו באותה ערימה. המטופל הזה עדיין היה נשאר אצל הרופא: המלנומה בולבלה בסרטן אחר. היא אכן צדקה בכל 25 הקרצינומות האמיתיות של תאי בסיס, אחת יותר מ-24 של הרשת. הציון המושלם הזה הוא תוצר לוואי של ההרגל: קוראים לכל נגע שלישי קרצינומה של תאי בסיס, ואף אחת אמיתית לא חומקת. Claude Fable 5.1 ראה קרטוזיס אקטיני ב-53 מקרים לעומת 20 אמיתיים. בקרטוזיסים האלה הרשת הישנה הפסידה לשני המודלים, עם 9 מתוך 20 לעומת 10 ו-12. בדוגמה נוספת GPT-6 Astra טעתה ותייגה מלנומה עם מעט מאוד פיגמנט כקרצינומה של תאי בסיס, וקבעה את רמת הביטחון שלה על 95%.

טעויות המלנומה של הרשת הלכו לכיוון ההפוך. מבין 17 ההחמצות שלה, היא קראה למלנומה שומה 8 פעמים וקרטוזיס סבוראי 6 פעמים, שני דברים שאפשר להשאיר. עם אבחנה כזו קל לשלוח אדם הביתה.

הכול תלוי בסף

מה שרופא צריך לעיתים קרובות הוא תשובה לשאלה פשוטה מ"מה זה": לשלוח את האדם הביתה או לא. הרשת עונה עליה במספר בין 0 ל-1, שמראה עד כמה הנגע נראה מסוכן. הסף הוא סימן על הסקאלה הזו, ומעליו הרשת אומרת “כדאי לבדוק”. מורידים את הסימן ומקבלים יותר התראות. מעלים אותו והרשת שולחת יותר אנשים הביתה.

מודלי השפה השאירו תחת מעקב 97 ו-96 מתוך 100 הנגעים המסוכנים. הם שחררו 3 ו-4 מתוך 30 המלנומות. אבל גם שחררו מעט נגעים תמימים: 32 ו-22 מתוך 100. כל השאר, בעלי שומה שפירה, היו נשלחים לפגישה מיותרת או לביופסיה.

הסף של הרשת הישנה נקבע מראש על תמונות אחרות ולא כוונן ל-200 המקרים האלה. איתו הרשת התנהגה אחרת. היא שחררה 76 מתוך 100 הנגעים התמימים ושמרה במעקב רק 77 מהמסוכנים. בין אלה ששוחררו היו 18 מתוך 30 המלנומות. הרשת מחליטה אם לשחרר לפי סקאלת החשד שלה, יהא האבחון שהיא מציינת אשר יהא. לכן שחררה 18 מלנומות אף שטעתה באבחנת המלנומה ב-17 מקרים.

אם מתאימים את הסף לזהירות של הצ’אטבוטים, התמונה משתנה. הרשת שומרת במעקב 98 או 99 מתוך 100 הנגעים המסוכנים, לעומת 97 ו-96 במודלי השפה, ומשחררת מלנומה אחת או שתיים לעומת שלוש וארבע. ברמת זהירות זהה הרשת הישנה מנצחת את שני המודלים בשני המדדים. 18 המלנומות שהוחמצו אומרות יותר על הסימן שנבחר. המפתחים קובעים אותו, ולמשתמש אין בו שום זכות דיבור.

השאלה “האם לפנות לרופא?”

אדם רגיל שואל אחרת מרופא. באותו סקר KFF, 13% מהבוגרים האמריקאים אמרו שהעלו לצ’אטבוטים מידע רפואי משלהם, כגון תוצאות בדיקות או סיכומי רופאים.

לינץ’ בדק גם את התרחיש הזה. הוא הראה למודלים רק את התמונה הרגילה, בלי תמונת הדרמטוסקופ, ושאל שאלה של מטופל: “האם אני צריך לפנות לרופא?” שני המודלים יעצו לפנות לרופא כמעט תמיד, כולל בנגעים תמימים. במערך נפרד של 100 מלנומות שאומתו בביופסיה הם שלחו את האדם לרופא ב-99 וב-98 מקרים.

למי שמצלם שומה ומעלה אותה ל-ChatGPT או ל-Claude נובעים מכך שני דברים. הצ’אטבוט כנראה לא יחמיץ מלנומה. אבל הוא גם לא יאשר ששומה שפירה בסדר, ולכן ה"כדאי לבדוק" שלו כמעט לא מלמד דבר. הוא מתנהג כמו גלאי עשן שמצפצף על כל פרוסת לחם שרופה: לא ישן בזמן שריפה, אבל אינו מבחין בין שריפה לארוחת בוקר.

מה הבדיקה הזו לא מוכיחה

לינץ’ מונה בעצמו את נקודות החולשה. מאתיים נגעים מספיקים כדי להראות את הדפוס הכללי, אבל לא כדי לדרג תוצאות קרובות. שלושים מלנומות משאירות אי-ודאות רחבה בנתון החשוב ביותר. כל מודל שפה ראה כל מקרה פעם אחת, ותשובותיהם משתנות מהרצה להרצה. MILK10k ציבורי מאז 2025, ולכן ייתכן שהמודלים ראו אותו באימון. לדעת המחבר, זה אם כבר עזר להם.

Inception v3 משמשת בבדיקה קו בסיס. מערכות האבחון המובילות כיום לעור משלבות כמה רשתות מדור חדש יותר ומתאמנות על יותר נתונים. מוצרים מוסדרים הבנויים עליהן, לדברי לינץ’, מתפקדים טוב משמעותית. המערך היה קשה גם לרשת הישנה: בתמונות ISIC Archive רגילות היא הבחינה בין נגעים מסוכנים לבטוחים בדיוק רב יותר. ציון הסיכום שלה שם הוא 0.96 לעומת 0.86 כאן, כאשר 1 פירושו אפס טעויות ו-0.5 פירושו ניחוש.

הבדיקה לא עברה ביקורת עמיתים: זה פוסט באתר המעבדה. בתמורה לינץ’ פרסם כל מה שדרוש כדי לבדוק אותה: המקרים, הפרומפטים, כל תשובת מודל וקוד הניקוד. הוא מציין שהניתוח וטיוטות ראשונות הופקו בעזרת Claude Code, כלי התכנות של Anthropic, בעוד שאחד מהמודלים שנבדקו הוא אף הוא של Anthropic. הרשת זמינה ברשת כהדגמת מחקר והיא אינה מכשיר רפואי. לינץ’ עצמו מזהיר שהיא מחמיצה חלק מסרטני העור, כולל מלנומה, ואסור להשתמש בה כדי להחליט אם לפנות לרופא.

שני מודלי החזית היו שולחים הביתה את המטופל עם המלנומה באוזן כשנשאלו כרופא, עם שתי התמונות. בתפקיד יועץ למטופל הם היו שולחים אותו לרופא, כמו את כולם. הרשת הישנה אכן ראתה את המלנומה הזו, אבל האם תשתוק או תשמיע אזעקה תלוי בסימן על הסקאלה שלה. אז השאלה החשובה יותר מאיזו בינה חכמה יותר היא זו: מי קובע את הסימן שמתחתיו המכונה שותקת, ואיפה?