Una rete neurale del 2015 ha battuto GPT-6 e Claude nel riconoscere il cancro della pelle

Il melanoma è sull’orecchio di un paziente. È sottile, ma ha già cominciato a penetrare in profondità nella pelle. Il dermatologo Magnus Lynch ha mostrato due foto della lesione a due dei modelli di IA più potenti disponibili nell’ottobre 2026, GPT-6 Astra e Claude Fable 5.1. Entrambi hanno dato la stessa risposta: cheratosi seborroica, una escrescenza verrucosa innocua, il paziente può essere rimandato a casa. Poi le stesse foto sono state date a una rete neurale descritta dagli ingegneri di Google nel lontano 2015. Quella ha parlato di melanoma.

Non è un caso isolato. Nel test pubblicato il 25 ottobre 2026 la vecchia rete Inception v3 ha indovinato la diagnosi giusta in 125 lesioni su 200, cioè il 62%. I due modelli di punta si sono fermati al 42%. Per addestrare la vecchia rete sulle immagini della pelle, stando all’autore, sono bastati circa venti minuti. La parte più interessante del test sta oltre il punteggio di accuratezza: ogni macchina sbaglia a modo suo, ed è questo a decidere chi viene mandato a casa con un tumore. Non è più una questione accademica. In un sondaggio KFF condotto dal 24 febbraio al 2 marzo 2026, il 32% degli adulti americani ha dichiarato di aver chiesto ai chatbot di IA informazioni sulla propria salute nell’ultimo anno, e la foto di un neo caricata in una chat simile ormai non stupisce nessuno.

Duecento nei che qualcuno aveva già asportato

Lynch è dermatologo consulente e chirurgo di Mohs al Guy’s Hospital di Londra e honorary reader al King’s College London. Si occupa di tumori della pelle e di IA in dermatologia, perciò ha costruito il test come lo costruirebbe un clinico. Ha preso le immagini da MILK10k, un dataset pubblico uscito nel 2025 grazie all’International Skin Imaging Collaboration (ISIC). Ogni lesione vi è fotografata due volte: una come normale primo piano e una attraverso un dermatoscopio.

Lynch ha estratto a caso 200 lesioni. Ogni diagnosi era confermata dall’esame istologico, cioè dall’analisi al microscopio del tessuto asportato. Cento lesioni non vanno rimandate a casa: 30 melanomi, 25 carcinomi basocellulari, 25 carcinomi squamocellulari e 20 cheratosi attiniche, chiazze ruvide dovute al sole che possono trasformarsi in tumore. Le altre cento sono innocue: 50 nei comuni e 50 cheratosi seborroiche.

I carcinomi basocellulari e squamocellulari sono i tumori della pelle più diffusi e, come ricorda Cancer Research UK , raramente si diffondono ad altre parti del corpo. Il melanoma è la linea che conta di più in questo test. Perderlo è l’errore peggiore, ed è per questo che scambiare un melanoma per un carcinoma basocellulare è il male minore: il paziente resta comunque in mano al medico.

C’è un tranello, e lo segnala lo stesso autore. Anche le lesioni innocue del campione erano state asportate e inviate al laboratorio. Se qualcuno ha deciso di togliere un neo, c’era qualcosa che preoccupava un clinico. Il test, quindi, è pieno dei nei più insidiosi, quelli che fanno esitare gli specialisti.

I modelli hanno ricevuto entrambe le foto e hanno avuto le domande che farebbe un medico: quale tra sei diagnosi è la più probabile, quanto sono sicuri, quale sarebbe la seconda scelta e se il paziente può essere rimandato a casa senza trattamento, biopsia o controlli. Nessun modello ha rifiutato un solo caso.

La rete da cui è partito il dermatologo artificiale

Inception v3 non è nata per la medicina. In un articolo del dicembre 2015 gli ingegneri di Google l’hanno presentata come una rete per riconoscere oggetti di tutti i giorni nelle foto. È una rete neurale convoluzionale: scorre l’immagine con piccole finestre e compone i dettagli minuti, come bordi e macchie, in schemi sempre più grandi.

Nel gennaio 2017 un gruppo di Stanford l’ha ripresa. L’ha addestrata ulteriormente su 129.450 immagini di pelle che coprivano 2.032 malattie e ha riferito su Nature che, su immagini confermate da biopsia, distingueva i tumori dalle lesioni innocue bene quanto 21 dermatologi certificati. Gli autori suggerivano che una rete del genere su uno smartphone potesse portare la competenza del dermatologo oltre le mura dell’ambulatorio.

Lynch ha preso la stessa architettura e l’ha addestrata ulteriormente su 68.011 immagini dell’ISIC Archive con una sola scheda grafica. Prima ha tolto dai dati di addestramento tutte le 200 lesioni del test e ogni altra foto delle stesse lesioni o degli stessi pazienti, così la rete non le aveva mai viste. I modelli linguistici più recenti scrivono codice, rivedono contratti e chiacchierano di qualsiasi cosa. Nel riconoscere i nei hanno perso contro uno specialista ristretto di dieci anni fa.

Ogni grande modello ha la sua risposta preferita

Il divario è più ampio sulle lesioni innocue. GPT-6 Astra ha riconosciuto solo 16 nei su 50, Claude Fable 5.1 solo 6 cheratosi seborroiche su 50, mentre la rete ne ha riconosciuti 37 e 26. I chatbot sono peggiori proprio nel riconoscere ciò che si può lasciar stare. Nessuno dei risultati sui melanomi è impressionante, e questo è un ritratto onesto di un campione difficile.

Peggio ancora, ogni modello linguistico aveva una risposta preferita. GPT-6 Astra ha etichettato 75 lesioni come carcinoma basocellulare quando nel campione ce n’erano 25, e 14 dei 30 melanomi sono finiti in quel mucchio. Quel paziente sarebbe comunque rimasto in cura: il melanoma era stato scambiato per un altro tumore. Ha invece indovinato tutti i 25 veri carcinomi basocellulari, uno più dei 24 della rete. Quel punteggio perfetto è un effetto collaterale dell’abitudine: se chiami carcinoma basocellulare una lesione su tre, nessuno di quelli veri ti sfugge. Claude Fable 5.1 ha visto una cheratosi attinica in 53 casi contro le 20 reali. Su queste cheratosi la vecchia rete ha perso con entrambi i modelli, con 9 su 20 contro 10 e 12. In un altro esempio, GPT-6 Astra ha scambiato un melanoma con pochissimo pigmento per un carcinoma basocellulare e ha indicato una sicurezza del 95%.

Gli errori della rete sui melanomi andavano nella direzione opposta. Dei suoi 17 errori, 8 volte ha scambiato il melanoma per un neo e 6 per una cheratosi seborroica, due cose che si possono lasciar stare. Con una diagnosi così, è facile rimandare una persona a casa.

Tutto si riduce alla soglia

Al medico spesso serve la risposta a una domanda più semplice di «che cos’è»: mandare la persona a casa oppure no. La rete risponde con un numero da 0 a 1, che indica quanto una lesione sembri pericolosa. La soglia è un segno su quella scala oltre il quale la rete dice «fatti controllare». Abbassi il segno e ottieni più allarmi. Lo alzi e la rete rimanda a casa più persone.

I modelli linguistici hanno tenuto sotto osservazione 97 e 96 delle 100 lesioni pericolose. Hanno rimandato a casa 3 e 4 dei 30 melanomi. Ma hanno lasciato andare poche lesioni innocue: 32 e 22 su 100. Tutti gli altri con un neo benigno sarebbero stati mandati a una visita o a una biopsia inutili.

La soglia della vecchia rete era stata fissata in anticipo su altre immagini e non era stata regolata su questi 200 casi. Con quella soglia la rete si è comportata in modo diverso. Ha rimandato a casa 76 delle 100 lesioni innocue e ne ha tenute sotto controllo solo 77 tra quelle pericolose. Tra quelle lasciate andare c’erano 18 dei 30 melanomi. La rete decide se rimandare a casa in base alla propria scala del sospetto, qualunque diagnosi nomini. Per questo ha lasciato andare 18 melanomi pur avendo sbagliato la diagnosi di melanoma in 17 casi.

Se si porta la soglia al livello di cautela dei chatbot, il quadro cambia. La rete tiene sotto controllo 98 o 99 delle 100 lesioni pericolose, contro 97 e 96 dei modelli linguistici, e rimanda a casa uno o due melanomi contro tre e quattro. A pari cautela la vecchia rete batte entrambi i modelli su entrambi i fronti. I 18 melanomi mancati dicono di più sul segno scelto. Lo fissano gli sviluppatori, e l’utente non ha voce in capitolo.

La domanda «devo andare dal medico?»

Una persona comune chiede in modo diverso da un medico. Nello stesso sondaggio KFF il 13% degli adulti americani ha detto di aver caricato nei chatbot i propri dati medici, come esiti di esami o note dei medici.

Lynch ha provato anche questo scenario. Ha mostrato ai modelli solo la foto normale, senza l’immagine del dermatoscopio, e ha posto la domanda di un paziente: «Devo andare dal medico?». Entrambi i modelli hanno consigliato quasi sempre di vedere un medico, lesioni innocue comprese. Su un insieme separato di 100 melanomi confermati da biopsia hanno mandato la persona dal medico in 99 e 98 casi.

Per chi fotografa un neo e lo carica su ChatGPT o Claude , ne derivano due cose. Il chatbot probabilmente non perderà un melanoma. Ma non scagionerà nemmeno un neo benigno, perciò il suo «fatti controllare» non dice quasi nulla. Si comporta come un rilevatore di fumo che suona a ogni fetta di pane tostato bruciata: non dormirà durante un incendio, ma non sa distinguere un incendio dalla colazione.

Che cosa non dimostra questo test

Lynch elenca da solo i punti deboli. Duecento lesioni bastano a mostrare lo schema generale, ma non a classificare risultati ravvicinati. Trenta melanomi lasciano un’ampia incertezza sul dato che conta di più. Ogni modello linguistico ha visto ogni caso una sola volta, e le sue risposte variano da una prova all’altra. MILK10k è pubblico dal 2025, perciò i modelli potrebbero averlo visto in addestramento. Secondo l’autore, semmai li avrebbe aiutati.

Nel test Inception v3 fa da riferimento. I migliori sistemi attuali di diagnosi della pelle combinano più reti di generazione più recente e si addestrano su più dati. I prodotti regolamentati costruiti su di essi, dice Lynch, funzionano decisamente meglio. Il campione è stato difficile anche per la vecchia rete: sulle normali immagini dell’ISIC Archive separava con più precisione le lesioni pericolose da quelle sicure. Il suo punteggio complessivo là è 0,96 contro 0,86 qui, dove 1 significa nessun errore e 0,5 significa tirare a indovinare.

Il test non è stato sottoposto a revisione paritaria: è un post sul sito del laboratorio. In compenso Lynch ha pubblicato tutto ciò che serve per verificarlo: i casi, i prompt, ogni risposta dei modelli e il codice di valutazione. Dichiara che l’analisi e le prime bozze sono state prodotte con Claude Code, lo strumento di programmazione di Anthropic, mentre uno dei modelli testati è a sua volta di Anthropic. La rete è online come demo di ricerca e non è un dispositivo medico. Lo stesso Lynch avverte che non individua alcuni tumori della pelle, melanoma compreso, e non va usata per decidere se andare dal medico.

Entrambi i modelli di punta avrebbero rimandato a casa il paziente con il melanoma sull’orecchio, se interrogati come medici e con entrambe le foto. Nel ruolo di consiglieri del paziente lo avrebbero mandato dal medico, come tutti gli altri. La vecchia rete questo melanoma lo ha visto, ma se taccia o dia l’allarme dipende da un segno sulla sua scala. Quindi la domanda più importante di quale IA sia più intelligente è un’altra: chi fissa il segno sotto il quale la macchina tace, e dove?