Neuronska mreža iz 2015. nadmašila GPT-6 i Claude u prepoznavanju raka kože

Melanom sjedi na uhu pacijenta. Tanak je, ali već je počeo urastati u kožu. Dermatolog Magnus Lynch pokazao je dvije fotografije te promjene dvama od najsposobnijih AI modela dostupnih u listopadu 2026., GPT-6 Astri i Claudeu Fable 5.1. Oba su dala isti odgovor: seboroična keratoza, bezopasna bradavičasta tvorba, pacijenta se može otpustiti. Zatim su iste fotografije otišle neuronskoj mreži koju su Googleovi inženjeri opisali još 2015. Ona je promjenu proglasila melanomom.

To nije slučajnost. U testu objavljenom 25. listopada 2026. stara mreža Inception v3 točnu je dijagnozu imenovala za 125 od 200 promjena, odnosno 62 posto. Oba najnovija modela postigla su 42 posto. Prilagodba stare mreže slikama kože trajala je, prema riječima autora, oko dvadeset minuta. Zanimljiviji dio testa leži iza ocjene točnosti: svaki stroj griješi na svoj način, a upravo to odlučuje tko će kući otići s rakom. To više nije akademsko pitanje. U anketi zaklade KFF provedenoj od 24. veljače do 2. ožujka 2026. 32 posto odraslih Amerikanaca reklo je da je u protekloj godini chatbotove pitalo o zdravlju, a fotografija madeža u takvom razgovoru danas nikoga ne čudi.

Dvjesto madeža koje je netko već izrezao

Lynch je konzultant dermatolog i Mohsov kirurg u bolnici Guy’s u Londonu te počasni predavač na King’s Collegeu London. Njegovo istraživanje obuhvaća rak kože i primjenu umjetne inteligencije u dermatologiji, pa je test osmislio kao kliničar. Slike je uzeo iz MILK10k, javnog skupa podataka objavljenog 2025. preko International Skin Imaging Collaboration (ISIC). Svaka je promjena u njemu snimljena dvaput: jednom kao običan krupni plan, a jednom kroz dermatoskop.

Lynch je nasumce odabrao 200 promjena. Svaka je dijagnoza potvrđena histologijom, što znači da je uklonjeno tkivo pregledano pod mikroskopom. Stotinu promjena ne smije se otpustiti bez nadzora: 30 melanoma, 25 bazocelularnih karcinoma, 25 planocelularnih karcinoma i 20 aktiničkih keratoza, grubih mrlja oštećenih suncem koje se mogu pretvoriti u rak. Drugih stotinu je bezopasno: 50 običnih madeža i 50 seboroičnih keratoza.

Bazocelularni i planocelularni karcinom najčešći su rakovi kože i, kako napominje Cancer Research UK , rijetko se šire na druge dijelove tijela. Melanom je u ovom testu najvažnija crta. Njegovo previđanje najgora je pogreška, zbog čega je zamjena melanoma za bazocelularni karcinom manje zlo: pacijent ipak ostaje kod liječnika.

Postoji i kvaka, na koju autor sam upozorava. Bezopasne promjene u skupu također su izrezane i poslane u laboratorij. Ako je netko odlučio ukloniti madež, nešto na njemu zabrinulo je kliničara. Test je stoga pun najzahtjevnijih madeža, onih zbog kojih i stručnjaci zastanu.

Modeli su dobili obje fotografije i pitanja kakva bi postavio liječnik: koja je od šest dijagnoza najvjerojatnija, koliko su sigurni, što bi bio drugi izbor i može li se pacijenta otpustiti bez liječenja, biopsije ili kontrole. Nijedan model nije odbio nijedan slučaj.

Mreža s koje je počeo AI dermatolog

Inception v3 nije napravljen za medicinu. U radu iz prosinca 2015. Googleovi su je inženjeri predstavili kao mrežu za prepoznavanje svakodnevnih predmeta na fotografijama. To je konvolucijska neuronska mreža: pregledava sliku kroz mala okna i od sitnih detalja, poput rubova i mrlja, slaže sve veće uzorke.

U siječnju 2017. prihvatio ju je tim sa Stanforda. Prilagodili su je na 129 450 slika kože koje obuhvaćaju 2032 bolesti i u časopisu Nature izvijestili da je na slikama potvrđenim biopsijom razlikovala rak od bezopasnih promjena jednako dobro kao 21 dermatolog s licencijom. Autori su ustvrdili da bi takva mreža u pametnom telefonu mogla proširiti domet dermatologa izvan ordinacije.

Lynch je uzeo istu arhitekturu i prilagodio je na 68 011 slika iz arhiva ISIC na jednoj grafičkoj kartici. Svih 200 testnih promjena, kao i sve druge fotografije istih promjena ili pacijenata, prethodno je uklonio iz podataka za učenje, pa ih mreža nikad nije vidjela. Najnoviji jezični modeli pišu kod, pregledavaju ugovore i razgovaraju o bilo čemu. U prepoznavanju madeža izgubili su od uskog specijalista od prije desetljeća.

Svaki veliki model ima svoj omiljeni odgovor

Razlika je najveća kod bezopasnih promjena. GPT-6 Astra prepoznala je samo 16 od 50 madeža, Claude Fable 5.1 samo 6 od 50 seboroičnih keratoza, dok je mreža pogodila 37 i 26. Chatbotovi su najlošiji upravo u prepoznavanju onoga što se može pustiti na miru. Nijedan rezultat za melanom nije impresivan, što je poštena slika teškog skupa.

Još je gore što je svaki jezični model imao omiljeni odgovor. GPT-6 Astra označila je 75 promjena kao bazocelularni karcinom, iako ih je u skupu bilo 25, a 14 od 30 melanoma završilo je u toj hrpi. Taj bi pacijent ipak ostao kod liječnika: melanom je zamijenjen drugim rakom. Ipak je točno pogodila svih 25 pravih bazocelularnih karcinoma, jedan više od mreže s 24. Taj savršeni rezultat nuspojava je navike: nazovite svaku treću promjenu bazocelularnim karcinomom i nijedan pravi neće proći neprimijećen. Claude Fable 5.1 vidio je aktiničku keratozu u 53 slučaja, a pravih je bilo 20. Kod tih keratoza stara je mreža izgubila od oba modela, s 9 od 20 prema 10 i 12. U drugom primjeru GPT-6 Astra zamijenila je melanom s vrlo malo pigmenta za bazocelularni karcinom i sigurnost procijenila na 95 posto.

Pogreške mreže kod melanoma išle su u suprotnom smjeru. Od 17 promašaja melanom je 8 puta nazvala madežom, a 6 puta seboroičnom keratozom, dvjema stvarima koje se mogu pustiti na miru. S takvom je dijagnozom osobu lako poslati kući.

Sve se svodi na prag

Liječniku često treba odgovor na jednostavnije pitanje od “što je to”: poslati osobu kući ili ne. Mreža odgovara brojem od 0 do 1 koji pokazuje koliko promjena izgleda opasno. Prag je oznaka na toj ljestvici iznad koje mreža kaže “dajte to pregledati”. Spustite oznaku i dobit ćete više alarma. Podignite je i mreža će više ljudi poslati kući.

Jezični modeli zadržali su pod nadzorom 97 odnosno 96 od 100 opasnih promjena. Otpustili su 3 odnosno 4 od 30 melanoma. No i bezopasnih su pustili malo: 32 odnosno 22 od 100. Svi ostali s benignim madežom bili bi poslani na nepotreban pregled ili biopsiju.

Prag stare mreže unaprijed je određen na drugim slikama i nije podešen prema ovih 200 slučajeva. S njim se mreža ponašala drukčije. Otpustila je 76 od 100 bezopasnih promjena, ali je zadržala samo 77 opasnih. Među otpuštenima bilo je 18 od 30 melanoma. Mreža odluku o otpuštanju donosi prema vlastitoj ljestvici sumnje, bez obzira na to koju dijagnozu imenuje. Zato je pustila 18 melanoma iako je dijagnozu melanoma pogriješila u 17 slučajeva.

Uskladite prag s opreznošću chatbotova i slika se mijenja. Mreža tada zadržava 98 ili 99 od 100 opasnih promjena, naspram 97 i 96 kod jezičnih modela, a otpušta jedan ili dva melanoma naspram tri i četiri. Uz istu razinu opreza stara mreža pobjeđuje oba modela po oba mjerila. Tih 18 propuštenih melanoma više govori o odabranoj oznaci. Postavljaju je razvojni inženjeri, a korisnik tu nema riječi.

Pitanje “trebam li liječniku?”

Običan čovjek pita drukčije od liječnika. U istoj anketi KFF 13 posto odraslih Amerikanaca reklo je da je chatbotovima učitalo vlastite medicinske podatke, poput nalaza ili liječničkih bilješki.

Lynch je testirao i taj scenarij. Modelima je pokazao samo običnu fotografiju, bez dermatoskopske slike, i postavio pacijentovo pitanje: “Trebam li otići liječniku?” Oba su modela gotovo uvijek savjetovala liječnika, uključujući i kod bezopasnih promjena. Na zasebnom skupu od 100 melanoma potvrđenih biopsijom uputila su osobu liječniku u 99 odnosno 98 slučajeva.

Za nekoga tko fotografira madež i učita ga u ChatGPT ili Claude slijede dvije stvari. Chatbot vjerojatno neće previdjeti melanom. No neće ni osloboditi sumnje benigni madež, pa njegovo “dajte to provjeriti” govori gotovo ništa. Ponaša se kao detektor dima koji se oglasi na svaku zagorjelu krišku tosta: neće prespavati požar, ali ne razlikuje požar od doručka.

Što ovaj test ne dokazuje

Lynch sam navodi slabe točke. Dvjesto promjena dovoljno je da se pokaže opći obrazac, ali ne i da se rangiraju bliski rezultati. Trideset melanoma ostavlja široku nesigurnost upravo kod najvažnije brojke. Svaki je jezični model vidio svaki slučaj samo jednom, a njihovi se odgovori od pokretanja do pokretanja razlikuju. MILK10k javno je dostupan od 2025., pa su ga modeli možda vidjeli tijekom učenja. Prema autorovu mišljenju, to bi im, ako ništa, pomoglo.

Inception v3 u testu služi kao polazna crta. Najbolji današnji sustavi za dijagnostiku kože kombiniraju nekoliko mreža novije generacije i uče na više podataka. Regulirani proizvodi izgrađeni na njima, kaže Lynch, rade znatno bolje. Skup je bio težak i za staru mrežu: na običnim slikama iz arhiva ISIC opasne je promjene od sigurnih razlikovala preciznije. Njezin ukupni rezultat tamo iznosi 0,96 naspram 0,86 ovdje, gdje 1 znači bez pogrešaka, a 0,5 pogađanje.

Test nije prošao recenziju: riječ je o objavi na web-stranici laboratorija. Zauzvrat je Lynch objavio sve što je potrebno za provjeru: slučajeve, upite, svaki odgovor modela i kod za bodovanje. Otkriva da su analiza i prve verzije teksta nastali uz Claude Code, Anthropicov alat za programiranje, dok je jedan od testiranih modela također Anthropicov. Mreža je na internetu kao istraživačka demonstracija i nije medicinski proizvod. Lynch sam upozorava da propušta neke rakove kože, uključujući melanom, te da se ne smije koristiti za odluku o odlasku liječniku.

Oba vodeća modela poslala bi kući pacijenta s melanomom na uhu kad bi ih se pitalo kao liječnika, s obje fotografije. U ulozi pacijentova savjetnika poslali bi ga liječniku, kao i svakoga drugog. Stara je mreža taj melanom vidjela, ali hoće li šutjeti ili dići uzbunu ovisi o oznaci na njezinoj ljestvici. Pitanje koje je važnije od toga koja je umjetna inteligencija pametnija glasi dakle: tko postavlja oznaku ispod koje stroj šuti i gdje?