पुराने नेटवर्क ने पकड़ लिया त्वचा कैंसर, जिसे GPT-6 और Claude ने चूक दिया

मेलानोमा एक मरीज़ के कान पर है। यह पतला है, पर त्वचा में नीचे की ओर बढ़ना शुरू कर चुका है। त्वचा रोग विशेषज्ञ मैग्नस लिंच ने इसकी दो तस्वीरें अक्टूबर 2026 के दो सबसे सक्षम AI मॉडलों, GPT-6 Astra और Claude Fable 5.1, को दिखाईं। दोनों का जवाब एक ही था: सेबोरिक केराटोसिस, यानी मस्से जैसा एक बेहानिकारक उभार, मरीज़ को घर भेजा जा सकता है। फिर वही तस्वीरें उस न्यूरल नेटवर्क को दी गईं जिसे Google के इंजीनियरों ने 2015 में ही बयान कर दिया था। उसने घाव को मेलानोमा बताया।

यह कोई इत्तफ़ाक़ नहीं है। 25 अक्टूबर 2026 को प्रकाशित परीक्षण में पुराने Inception v3 नेटवर्क ने 200 में से 125 घावों, यानी 62%, का सही निदान बताया। दोनों अग्रणी मॉडल 42% पर रुक गए। लेखक के अनुसार पुराने नेटवर्क को त्वचा की तस्वीरों पर दोबारा प्रशिक्षित करने में लगभग बीस मिनट लगे। परीक्षण का ज़्यादा दिलचस्प हिस्सा सटीकता के आँकड़े से आगे है: हर मशीन अपने ढंग से चूकती है, और यही तय करता है कि किसे कैंसर के साथ घर भेजा जाएगा। अब यह सिर्फ़ अकादमिक सवाल नहीं रहा। 24 फ़रवरी से 2 मार्च 2026 के बीच हुए KFF सर्वेक्षण में 32% अमेरिकी वयस्कों ने कहा कि उन्होंने पिछले साल AI चैटबॉट से अपनी सेहत के बारे में पूछा था, और ऐसी चैट में तिल की तस्वीर डालना अब किसी को चौंकाता नहीं।

दो सौ तिल, जिन्हें कोई पहले ही निकाल चुका था

लिंच लंदन के गाइज़ अस्पताल में कंसल्टेंट त्वचा रोग विशेषज्ञ और मॉस सर्जन हैं, और किंग्स कॉलेज लंदन में मानद रीडर। उनके शोध का विषय त्वचा कैंसर और त्वचा विज्ञान में AI का उपयोग है, इसलिए उन्होंने परीक्षण वैसे ही बनाया जैसे कोई चिकित्सक बनाता। तस्वीरें उन्होंने MILK10k से ली, जो 2025 में इंटरनेशनल स्किन इमेजिंग कोलैबोरेशन (ISIC) के ज़रिए जारी हुआ सार्वजनिक डेटासेट है। इसके हर घाव की दो बार तस्वीर ली गई है: एक बार सामान्य क्लोज़-अप और एक बार डर्मेटोस्कोप से।

लिंच ने बेतरतीब ढंग से 200 घाव चुने। हर निदान की पुष्टि हिस्टोलॉजी से हुई थी, यानी निकाले गए ऊतक को माइक्रोस्कोप के नीचे जाँचा गया था। इनमें सौ घाव ऐसे हैं जिनके साथ मरीज़ को घर नहीं भेजना चाहिए: 30 मेलानोमा, 25 बेसल सेल कार्सिनोमा, 25 स्क्वैमस सेल कार्सिनोमा और 20 ऐक्टिनिक केराटोसिस, यानी धूप से खुरदरे हुए धब्बे जो आगे चलकर कैंसर बन सकते हैं। बाकी सौ सुरक्षित हैं: 50 साधारण तिल और 50 सेबोरिक केराटोसिस।

बेसल सेल और स्क्वैमस सेल कार्सिनोमा त्वचा के सबसे आम कैंसर हैं और, जैसा Cancer Research UK बताता है, वे शरीर के दूसरे हिस्सों में कम ही फैलते हैं। इस परीक्षण में सबसे अहम रेखा मेलानोमा की है। उसे चूकना सबसे बुरी ग़लती है, इसीलिए मेलानोमा को बेसल सेल कार्सिनोमा समझ लेना कम बुरी भूल है: मरीज़ फिर भी डॉक्टर के पास ही रहता है।

एक पेच है, जिसकी ओर लेखक ख़ुद इशारा करता है। सेट के बेहानिकारक घाव भी निकालकर प्रयोगशाला भेजे गए थे। अगर किसी ने तिल हटाने का फ़ैसला किया, तो उसमें कुछ ऐसा था जिसने चिकित्सक को खटकाया। इसलिए परीक्षण सबसे पेचीदा तिलों से भरा है, उन तिलों से जो विशेषज्ञों को भी सोच में डाल देते हैं।

मॉडलों को दोनों तस्वीरें मिलीं और वही पूछा गया जो एक डॉक्टर पूछता: छह निदानों में से सबसे संभावित कौन-सा है, उन्हें कितना भरोसा है, दूसरा विकल्प क्या होगा, और क्या मरीज़ को बिना इलाज, बायोप्सी या फ़ॉलो-अप के घर भेजा जा सकता है। किसी भी मॉडल ने एक भी मामले में जवाब देने से इनकार नहीं किया।

वह नेटवर्क जिसने AI त्वचा रोग विशेषज्ञ की शुरुआत की

Inception v3 चिकित्सा के लिए बना ही नहीं था। दिसंबर 2015 के शोधपत्र में Google के इंजीनियरों ने इसे फ़ोटो में रोज़मर्रा की चीज़ें पहचानने वाले नेटवर्क के रूप में पेश किया था। यह एक कन्वोल्यूशनल न्यूरल नेटवर्क है: यह छोटी खिड़कियों से तस्वीर को खंगालता है और किनारों और धब्बों जैसे छोटे ब्योरों को जोड़कर क्रमशः बड़े पैटर्न बनाता है।

जनवरी 2017 में स्टैनफ़ोर्ड की एक टीम ने इसे उठाया। उन्होंने इसे 2,032 बीमारियों वाली 129,450 त्वचा-तस्वीरों पर दोबारा प्रशिक्षित किया और Nature में रिपोर्ट किया कि बायोप्सी से पुष्ट तस्वीरों पर यह कैंसर और बेहानिकारक घावों में उतना ही अच्छा फ़र्क़ करता है जितने 21 बोर्ड-प्रमाणित त्वचा रोग विशेषज्ञ। लेखकों का सुझाव था कि स्मार्टफ़ोन पर ऐसा नेटवर्क त्वचा रोग विशेषज्ञ की पहुँच को क्लिनिक से बाहर तक ले जा सकता है।

लिंच ने वही आर्किटेक्चर लिया और एक अकेले ग्राफ़िक्स कार्ड पर ISIC Archive की 68,011 तस्वीरों पर उसे दोबारा प्रशिक्षित किया। परीक्षण के सभी 200 घाव, और उन्हीं घावों या उन्हीं मरीज़ों की हर दूसरी तस्वीर, उन्होंने पहले ही प्रशिक्षण-डेटा से हटा दी थी, इसलिए नेटवर्क ने इन्हें कभी देखा नहीं था। नवीनतम भाषा मॉडल कोड लिखते हैं, अनुबंध पढ़ते हैं और किसी भी विषय पर बातचीत करते हैं। तिल पहचानने में वे दस साल पुराने एक संकीर्ण विशेषज्ञ से हार गए।

हर बड़े मॉडल का एक पसंदीदा जवाब होता है

सबसे बड़ा फ़ासला बेहानिकारक घावों पर है। GPT-6 Astra ने 50 में से सिर्फ़ 16 तिल पहचाने, Claude Fable 5.1 ने 50 में से सिर्फ़ 6 सेबोरिक केराटोसिस, जबकि नेटवर्क ने 37 और 26 पहचाने। चैटबॉट ठीक उसी को पहचानने में सबसे कमज़ोर हैं जिसे छोड़ा जा सकता है। मेलानोमा का कोई भी आँकड़ा प्रभावशाली नहीं है, जो एक कठिन सेट की ईमानदार तस्वीर है।

इससे भी बुरा यह कि हर भाषा मॉडल का एक पसंदीदा जवाब था। GPT-6 Astra ने 75 घावों को बेसल सेल कार्सिनोमा कहा, जबकि सेट में 25 ही थे, और 30 में से 14 मेलानोमा उसी ढेर में जा गिरे। वह मरीज़ फिर भी डॉक्टर के पास रहता: मेलानोमा को किसी और कैंसर समझ लिया गया था। फिर भी उसने सभी 25 असली बेसल सेल कार्सिनोमा सही पहचाने, नेटवर्क के 24 से एक ज़्यादा। यह पूरा अंक उसी आदत का उप-प्रभाव है: हर तीसरे घाव को बेसल सेल कार्सिनोमा कह दो, तो कोई असली घाव छूटेगा नहीं। Claude Fable 5.1 ने असल में 20 की जगह 53 मामलों में ऐक्टिनिक केराटोसिस देखा। इन केराटोसिस पर पुराना नेटवर्क दोनों मॉडलों से हार गया: 20 में से 9 सही, जबकि उनके 10 और 12। एक और उदाहरण में GPT-6 Astra ने बहुत कम रंजकता वाले मेलानोमा को बेसल सेल कार्सिनोमा समझ लिया और अपना भरोसा 95% बताया।

नेटवर्क की मेलानोमा वाली ग़लतियाँ उलटी दिशा में गईं। अपनी 17 चूक में उसने मेलानोमा को 8 बार तिल और 6 बार सेबोरिक केराटोसिस कहा, यानी दोनों बार ऐसी चीज़ जिसे छोड़ा जा सकता है। ऐसे निदान के साथ इंसान को घर भेज देना आसान है।

सब कुछ सीमा-रेखा पर टिका है

डॉक्टर को अक्सर “यह क्या है” से सरल सवाल का जवाब चाहिए: व्यक्ति को घर भेजें या नहीं। नेटवर्क इसका जवाब 0 से 1 के बीच एक संख्या से देता है, जो बताती है कि घाव कितना ख़तरनाक दिखता है। सीमा (थ्रेशोल्ड) उस पैमाने पर वह निशान है जिसके ऊपर नेटवर्क कहता है “जाँच करवाइए”। निशान नीचे करो तो अलार्म ज़्यादा बजते हैं। ऊपर करो तो नेटवर्क ज़्यादा लोगों को घर भेज देता है।

भाषा मॉडलों ने 100 ख़तरनाक घावों में से 97 और 96 को निगरानी में रखा। उन्होंने 30 मेलानोमा में से 3 और 4 को छुट्टी दे दी। लेकिन बेहानिकारक घावों को भी उन्होंने कम ही जाने दिया: 100 में से 32 और 22। बाकी सभी सौम्य तिल वालों को अनावश्यक अपॉइंटमेंट या बायोप्सी के लिए भेज दिया जाता।

पुराने नेटवर्क की सीमा पहले से दूसरी तस्वीरों पर तय की गई थी और इन 200 मामलों के हिसाब से नहीं बदली गई थी। उसके साथ नेटवर्क का बर्ताव अलग रहा। उसने 100 बेहानिकारक घावों में से 76 को छुट्टी दी और ख़तरनाक घावों में से सिर्फ़ 77 को निगरानी में रखा। जिन्हें उसने जाने दिया, उनमें 30 में से 18 मेलानोमा थे। नेटवर्क यह तय अपने संदेह के पैमाने से करता है, चाहे वह कोई भी निदान बताए। इसीलिए उसने 18 मेलानोमा जाने दिए, जबकि मेलानोमा का निदान वह 17 मामलों में ग़लत बता चुका था।

सीमा को चैटबॉट की सावधानी के बराबर कर दें तो तस्वीर बदल जाती है। नेटवर्क 100 ख़तरनाक घावों में से 98 या 99 को निगरानी में रखता है, जबकि भाषा मॉडल 97 और 96 को, और वह एक या दो मेलानोमा को छुट्टी देता है, जबकि मॉडल तीन और चार को। सावधानी के उसी स्तर पर पुराना नेटवर्क दोनों पैमानों पर दोनों मॉडलों को हरा देता है। 18 चूके मेलानोमा चुने गए निशान के बारे में ज़्यादा कहते हैं। उसे डेवलपर तय करते हैं, और उपयोगकर्ता का उस पर कोई अधिकार नहीं।

“क्या मुझे डॉक्टर को दिखाना चाहिए?” वाला सवाल

आम आदमी डॉक्टर से अलग ढंग से पूछता है। इसी KFF सर्वेक्षण में 13% अमेरिकी वयस्कों ने कहा कि उन्होंने अपनी चिकित्सा जानकारी, जैसे जाँच के नतीजे या डॉक्टरों के नोट्स, चैटबॉट पर अपलोड की है।

लिंच ने यह स्थिति भी परखी। उन्होंने मॉडलों को डर्मेटोस्कोप वाली तस्वीर के बिना सिर्फ़ साधारण फ़ोटो दिखाई और मरीज़ का सवाल पूछा: “क्या मुझे डॉक्टर को दिखाना चाहिए?” दोनों मॉडलों ने लगभग हर बार डॉक्टर को दिखाने की सलाह दी, बेहानिकारक घावों के लिए भी। बायोप्सी से पुष्ट 100 मेलानोमा के अलग सेट पर उन्होंने 99 और 98 मामलों में व्यक्ति को डॉक्टर के पास भेजा।

जो कोई तिल की फ़ोटो खींचकर ChatGPT या Claude पर अपलोड करता है, उसके लिए दो बातें निकलती हैं। चैटबॉट शायद मेलानोमा नहीं चूकेगा। पर वह सौम्य तिल को भी बरी नहीं करेगा, इसलिए उसका “जाँच करवाइए” लगभग कुछ नहीं बताता। वह उस स्मोक अलार्म जैसा बर्ताव करता है जो हर जले टोस्ट पर बज उठता है: आग के वक़्त सोता नहीं रहेगा, पर आग और नाश्ते में फ़र्क़ भी नहीं कर पाता।

यह परीक्षण क्या साबित नहीं करता

कमज़ोरियाँ लिंच ख़ुद गिनाते हैं। दो सौ घाव समग्र पैटर्न दिखाने के लिए काफ़ी हैं, पर नज़दीकी नतीजों को क्रम देने के लिए नहीं। तीस मेलानोमा सबसे अहम आँकड़े पर बड़ी अनिश्चितता छोड़ते हैं। हर भाषा मॉडल ने हर मामला एक ही बार देखा, और उनके जवाब हर बार बदलते हैं। MILK10k 2025 से सार्वजनिक है, इसलिए हो सकता है मॉडलों ने उसे प्रशिक्षण में देखा हो। लेखक की राय में इससे, अगर कुछ हुआ भी, तो उन्हें फ़ायदा ही हुआ होगा।

परीक्षण में Inception v3 एक आधार-रेखा का काम करता है। त्वचा निदान की मौजूदा सबसे अच्छी प्रणालियाँ नई पीढ़ी के कई नेटवर्क जोड़ती हैं और ज़्यादा डेटा पर प्रशिक्षित होती हैं। लिंच कहते हैं कि उन पर बने विनियमित उत्पाद काफ़ी बेहतर प्रदर्शन करते हैं। यह सेट पुराने नेटवर्क के लिए भी कठिन था: ISIC Archive की सामान्य तस्वीरों पर उसने ख़तरनाक और सुरक्षित घावों को ज़्यादा सटीकता से अलग किया। वहाँ उसका सारांश स्कोर 0.96 है, यहाँ 0.86, जहाँ 1 का मतलब कोई ग़लती नहीं और 0.5 का मतलब अंदाज़ा है।

परीक्षण की सहकर्मी-समीक्षा नहीं हुई है: यह प्रयोगशाला की वेबसाइट पर एक पोस्ट है। बदले में लिंच ने जाँचने के लिए ज़रूरी सब कुछ प्रकाशित किया है: मामले, प्रॉम्प्ट, मॉडलों के हर जवाब और स्कोरिंग कोड। वे बताते हैं कि विश्लेषण और पहले मसौदे Anthropic के कोडिंग टूल Claude Code से तैयार हुए, जबकि जिन मॉडलों को उन्होंने परखा, उनमें से एक भी Anthropic का है। नेटवर्क शोध डेमो के रूप में ऑनलाइन है और चिकित्सा उपकरण नहीं है। लिंच ख़ुद चेताते हैं कि वह कुछ त्वचा कैंसर, मेलानोमा समेत, चूक जाता है और डॉक्टर को दिखाना है या नहीं, यह तय करने में उसका उपयोग नहीं होना चाहिए।

कान पर मेलानोमा वाले मरीज़ को दोनों अग्रणी मॉडल डॉक्टर की तरह पूछे जाने पर, दोनों तस्वीरों के साथ, घर भेज देते। मरीज़ के सलाहकार के रूप में वे उसे, बाकी सबकी तरह, डॉक्टर के पास भेजते। पुराने नेटवर्क ने यह मेलानोमा देख लिया था, पर वह चुप रहता है या अलार्म बजाता है, यह उसके पैमाने के एक निशान पर निर्भर करता है। तो “कौन-सा AI ज़्यादा स्मार्ट है” से बड़ा सवाल यह है: वह निशान, जिसके नीचे मशीन चुप रहती है, कौन तय करता है, और कहाँ?