Egy 2015-ös neurális háló jobban felismerte a bőrrákot a GPT-6-nál és a Claude-nál

A melanoma egy beteg fülén ül. Vékony, de már elindult lefelé a bőrben. Magnus Lynch bőrgyógyász két fotót mutatott róla a 2026 októberében elérhető két legképzettebb MI-modellnek, a GPT-6 Astrának és a Claude Fable 5.1-nek. Mindkettő ugyanazt felelte: szeborreás keratózis, vagyis ártalmatlan, szemölcsszerű kinövés, a beteg nyugodtan hazaküldhető. Aztán ugyanezek a fotók eljutottak egy neurális hálóhoz, amelyet a Google mérnökei még 2015-ben írtak le. Az melanomának nevezte az elváltozást.

Ez nem véletlen egyedi eset. Egy 2026. október 25-én közzétett tesztben a régi Inception v3 háló 200 elváltozásból 125-nél, azaz 62%-ban nevezte meg a helyes diagnózist. A két élvonalbeli modell egyaránt 42%-ot ért el. A régi hálót a szerző állítása szerint nagyjából húsz perc alatt sikerült bőrképeken finomhangolni. A teszt érdekesebb része a pontszámon túl rejlik: a gépek mind a maguk módján tévednek, és ez dönti el, kit küldenek haza rákkal. Ez már nem akadémiai kérdés. A KFF felmérésében , amelyet 2026. február 24. és március 2. között végeztek, az amerikai felnőttek 32%-a mondta, hogy az elmúlt évben kérdezett MI-csevegőrobotokat az egészségéről, és egy anyajegy fotója egy ilyen beszélgetésben ma már senkit sem lep meg.

Kétszáz anyajegy, amelyet már valaki kimetszett

Lynch konzulens bőrgyógyász és Mohs-sebész a londoni Guy’s Hospitalban, valamint a King’s College London tiszteletbeli oktatója. Kutatási területe a bőrrák és az MI alkalmazása a bőrgyógyászatban, ezért a tesztet úgy építette fel, ahogy egy klinikus tenné. A képeket a MILK10k nevű nyilvános adatkészletből vette, amelyet 2025-ben adott ki a Nemzetközi Bőrképalkotási Együttműködés (ISIC). Minden elváltozásról két felvétel készült: egy közönséges közeli fotó és egy dermatoszkópon át készült kép.

Lynch véletlenszerűen húzott 200 elváltozást. Mindegyik diagnózist szövettan igazolta, vagyis az eltávolított szövetet mikroszkóp alatt megvizsgálták. Száz elváltozást nem volna szabad szó nélkül hazaengedni: 30 melanomát, 25 bazálsejtes karcinómát, 25 laphámsejtes karcinómát és 20 aktinikus keratózist, vagyis a napfénytől károsodott, durva foltokat, amelyekből rák lehet. A másik száz ártalmatlan: 50 közönséges anyajegy és 50 szeborreás keratózis.

A bazálsejtes és a laphámsejtes karcinóma a leggyakoribb bőrrákok, és ahogy a Cancer Research UK megjegyzi, ritkán adnak áttétet a test más részeire. A melanoma ebben a tesztben a legfontosabb határvonal. Átnézni a legrosszabb hiba, ezért ha valaki a melanomát bazálsejtes karcinómának nézi, az még a kisebb baj: a beteg így is az orvosnál marad.

Van egy csavar, amelyre maga a szerző is felhívja a figyelmet. Az adatkészlet ártalmatlan elváltozásait is kimetszették és laborba küldték. Ha valaki úgy döntött, hogy eltávolít egy anyajegyet, annak valami aggasztotta a klinikust. A teszt tehát tele van a legravaszabb anyajegyekkel, amelyek még a szakembert is megállítják.

A modellek mindkét fotót megkapták, és azt kérdezték tőlük, amit egy orvos kérdezne: hat diagnózis közül melyik a legvalószínűbb, mennyire biztosak benne, mi lenne a második tippjük, és hazaengedhető-e a beteg kezelés, biopszia vagy utánkövetés nélkül. Egyik modell sem tagadta meg a választ egyetlen esetben sem.

A háló, amely elindította az MI-bőrgyógyászt

Az Inception v3-at nem orvosi célra építették. Egy 2015 decemberi tanulmányban a Google mérnökei a mindennapi tárgyak fotókon való felismerésére szolgáló hálóként mutatták be. Konvolúciós neurális háló: kis ablakokon át pásztáz egy képet, és a apró részleteket, például éleket és foltokat egyre nagyobb mintázatokká rakja össze.

2017 januárjában egy stanfordi csapat vette kézbe. 129 450 bőrképen finomhangolták, amelyek 2032 betegséget öleltek fel, és a Nature-ben beszámoltak arról, hogy biopsziával igazolt képeken éppúgy meg tudta különböztetni a rákot az ártalmatlan elváltozásoktól, mint 21 szakvizsgázott bőrgyógyász. A szerzők szerint egy ilyen háló az okostelefonon a bőrgyógyász hatókörét a rendelőn túlra is kiterjeszthetné.

Lynch ugyanezt az architektúrát vette, és egyetlen grafikus kártyán finomhangolta az ISIC Archive 68 011 képén. Mind a 200 tesztelváltozást, valamint ugyanazon elváltozások vagy betegek minden más fotóját előre eltávolította a tanítóadatokból, így a háló sosem látta őket. A legújabb nyelvi modellek kódot írnak, szerződéseket néznek át, és bármiről szóba állnak. Az anyajegyek felismerésében mégis alulmaradtak egy tíz évvel ezelőtti szűk szakemberrel szemben.

Minden nagy modellnek van kedvenc válasza

A különbség az ártalmatlan elváltozásoknál a legnagyobb. A GPT-6 Astra az 50 anyajegyből csak 16-ot ismert fel, a Claude Fable 5.1 az 50 szeborreás keratózisból csak 6-ot, a háló pedig 37-et és 26-ot. A csevegőrobotok épp azt ismerik fel a legrosszabbul, amit nyugodtan békénhagyhatnánk. A melanomaszámok egyike sem lenyűgöző, ami őszinte képet ad egy nehéz készletről.

Ráadásul minden nyelvi modellnek volt egy kedvenc válasza. A GPT-6 Astra 75 elváltozást nevezett bazálsejtes karcinómának, miközben a készletben 25 volt belőlük, és a 30 melanomából 14 ebbe a kupacba került. Ez a beteg még így is az orvosnál maradna: a melanomát egy másik rákkal tévesztették össze. Mind a 25 valódi bazálsejtes karcinómát eltalálta, eggyel többet, mint a háló 24-ét. Ez a tökéletes eredmény a szokás mellékhatása: ha minden harmadik elváltozást bazálsejtes karcinómának hívsz, egyetlen valódi sem csúszik át. A Claude Fable 5.1 53 esetben látott aktinikus keratózist a valós 20 helyett. Ezeknél a keratózisoknál a régi háló mindkét modellnek alulmaradt: 9 a 20-ból, szemben a 10-zel és a 12-vel. Egy másik példában a GPT-6 Astra egy nagyon kevés pigmentet tartalmazó melanomát bazálsejtes karcinómának nézett, és 95%-os biztonsággal állította.

A háló melanomahibái ellenkező irányba mentek. A 17 elvétett esetből 8-szor anyajegynek, 6-szor szeborreás keratózisnak nevezte a melanomát, vagyis olyasminek, amit békén lehet hagyni. Ilyen diagnózissal az embert könnyű hazaküldeni.

Minden a küszöbön múlik

Az orvosnak gyakran egyszerűbb kérdésre kell válaszolnia, mint hogy „mi ez": hazaküldjük az embert, vagy nem. A háló erre egy 0 és 1 közötti számmal felel, amely azt mutatja, mennyire tűnik veszélyesnek az elváltozás. A küszöb egy jel ezen a skálán, amely fölött a háló azt mondja: „vizsgáltasd meg". Ha lejjebb viszed a jelet, több lesz a riasztás. Ha följebb, a háló több embert küld haza.

A nyelvi modellek a 100 veszélyes elváltozásból 97-et, illetve 96-ot tartottak megfigyelés alatt. A 30 melanomából 3-at, illetve 4-et engedtek haza. Az ártalmatlanokból viszont keveset engedtek el: a 100-ból 32-t, illetve 22-t. Minden más jóindulatú anyajegyes embert fölösleges vizitre vagy biopsziára küldtek volna.

A régi háló küszöbét előre, más képeken állították be, és nem hangolták erre a 200 esetre. Ezzel a háló másként viselkedett. A 100 ártalmatlan elváltozásból 76-ot engedett haza, a veszélyesek közül pedig csak 77-et tartott meg. A hazaengedettek között 18 melanoma is volt a 30-ból. A háló a saját gyanúskálája szerint dönt a hazaengedésről, bármilyen diagnózist nevez is meg. Ezért engedett el 18 melanomát, noha a melanoma diagnózist 17 esetben elvétette.

Ha a küszöböt a csevegőrobotok óvatosságához igazítjuk, a kép megváltozik. A háló a 100 veszélyes elváltozásból 98-at vagy 99-et tart meg, szemben a nyelvi modellek 97-ével és 96-ával, és egy-két melanomát enged haza a három és négy helyett. Azonos óvatossági szinten a régi háló mindkét szempontból legyőzi mindkét modellt. A 18 elvétett melanoma inkább a választott jelről árul el sokat. Azt a fejlesztők állítják be, a felhasználónak nincs beleszólása.

A „menjek orvoshoz?" kérdés

A hétköznapi ember másként kérdez, mint az orvos. Ugyanebben a KFF-felmérésben az amerikai felnőttek 13%-a mondta, hogy saját orvosi adatait, például leleteket vagy orvosi jegyzeteket töltött fel csevegőrobotokba.

Lynch ezt a forgatókönyvet is kipróbálta. A modelleknek csak a közönséges fotót mutatta meg, dermatoszkópos kép nélkül, és egy beteg kérdését tette fel: „Orvoshoz kell mennem?" Mindkét modell szinte minden esetben azt tanácsolta, hogy menjen orvoshoz, az ártalmatlan elváltozásoknál is. Egy külön, 100 biopsziával igazolt melanomát tartalmazó készleten 99, illetve 98 esetben küldték orvoshoz az embert.

Aki lefotóz egy anyajegyet, és feltölti a ChatGPT -be vagy a Claude -ba, annak ebből két dolog következik. A csevegőrobot valószínűleg nem téveszt el egy melanomát. De egy jóindulatú anyajegyet sem fog tisztára mosni, ezért a „vizsgáltasd meg" szinte semmit sem mond. Úgy viselkedik, mint az a tűzjelző, amely minden odaégett pirítósnál megszólal: a tüzet nem fogja átaludni, de a tüzet nem tudja megkülönböztetni a reggelitől.

Amit ez a teszt nem bizonyít

Lynch a gyenge pontokat maga sorolja fel. Kétszáz elváltozás elég az általános mintázat megmutatására, de a közeli eredmények rangsorolására nem. Harminc melanoma széles bizonytalanságot hagy a legfontosabb számon. Minden nyelvi modell minden esetet egyszer látott, és válaszaik futásról futásra eltérnek. A MILK10k 2025 óta nyilvános, így a modellek láthatták a tanítás során. A szerző szerint ez, ha egyáltalán, nekik használt volna.

Az Inception v3 a tesztben alapvonalként szolgál. A jelenlegi legjobb bőrdiagnosztikai rendszerek több újabb generációs hálót kombinálnak, és több adaton tanulnak. Lynch szerint az ezekre épülő szabályozott termékek jóval jobban teljesítenek. A készlet a régi hálónak is nehéz volt: a szokásos ISIC Archive-képeken pontosabban választotta szét a veszélyes és a biztonságos elváltozásokat. Az összesítő pontszáma ott 0,96, itt 0,86, ahol az 1 hibátlanságot, a 0,5 pedig találgatást jelent.

A tesztet nem bírálták szakértők: a labor weboldalán megjelent bejegyzés. Cserébe Lynch mindent közzétett, ami az ellenőrzéshez kell: az eseteket, a promptokat, minden modellválaszt és a pontozókódot. Elmondja, hogy az elemzést és az első vázlatokat a Claude Code-dal, az Anthropic kódolóeszközével készítette, miközben az egyik tesztelt modell szintén az Anthropictól származik. A háló kutatási demóként elérhető online, és nem orvostechnikai eszköz. Lynch maga figyelmeztet, hogy bizonyos bőrrákokat, köztük a melanomát is elnéz, ezért nem szabad ezzel eldönteni, hogy orvoshoz kell-e menni.

Mindkét élvonalbeli modell hazaküldte volna a fülmelanomás beteget, ha orvosként kérdezték őket, mindkét fotóval. A beteg tanácsadójaként viszont orvoshoz küldték volna, mint mindenki mást. A régi háló látta ezt a melanomát, de az, hogy hallgat-e vagy riaszt, a skáláján lévő jeltől függ. A fontosabb kérdés tehát nem az, hogy melyik MI okosabb, hanem hogy ki állítja be azt a jelet, amely alatt a gép hallgat, és hol.