Sieć neuronowa z 2015 roku pokonała GPT-6 i Claude’a w rozpoznawaniu raka skóry

Czerniak siedzi na uchu pacjenta. Jest cienki, ale już zaczął wrastać w głąb skóry. Dermatolog Magnus Lynch pokazał dwa zdjęcia zmiany dwóm najzdolniejszym modelom AI dostępnym w październiku 2026 roku: GPT-6 Astra i Claude Fable 5.1. Oba odpowiedziały tak samo: rogowiec łojotokowy, czyli niegroźny brodawkowaty nalot, można odesłać do domu. Potem te same zdjęcia trafiły do sieci neuronowej, którą inżynierowie Google opisali jeszcze w 2015 roku. Ona uznała zmianę za czerniaka.

To nie przypadek. W teście opublikowanym 25 października 2026 roku stara sieć Inception v3 podała właściwą diagnozę dla 125 z 200 zmian, czyli 62%. Oba najnowsze modele zatrzymały się na 42%. Dotrenowanie starej sieci na zdjęciach skóry zajęło, według autora, około dwudziestu minut. Ciekawsza część testu leży jednak poza samym wynikiem trafności: każda maszyna myli się po swojemu, a to decyduje o tym, kto wróci do domu z rakiem. To już nie jest pytanie akademickie. W sondażu KFF z 24 lutego – 2 marca 2026 roku 32% dorosłych Amerykanów przyznało, że w ostatnim roku pytało chatboty o zdrowie, a zdjęcie pieprzyka wysłane do takiego czatu nikogo już nie dziwi.

Dwieście pieprzyków, które ktoś już wyciął

Lynch jest konsultantem dermatologiem i chirurgiem metodą Mohsa w londyńskim Guy’s Hospital oraz honorowym wykładowcą (reader) w King’s College London. Zajmuje się rakiem skóry i zastosowaniem AI w dermatologii, więc test zbudował tak, jak zrobiłby to klinicysta. Obrazy wziął z MILK10k, publicznego zbioru danych opublikowanego w 2025 roku przez International Skin Imaging Collaboration (ISIC). Każda zmiana jest w nim sfotografowana dwukrotnie: raz jako zwykłe zbliżenie, raz przez dermatoskop.

Lynch wylosował 200 zmian. Każdą diagnozę potwierdzono histologicznie, czyli zbadano usunięty fragment tkanki pod mikroskopem. Sto zmian nie nadaje się do odesłania do domu: 30 czerniaków, 25 raków podstawnokomórkowych, 25 raków płaskonabłonkowych i 20 rogowaceń słonecznych, szorstkich plam po słońcu, które mogą przejść w raka. Pozostałe sto jest bezpiecznych: 50 zwykłych pieprzyków i 50 rogowców łojotokowych.

Rak podstawnokomórkowy i płaskonabłonkowy to najczęstsze nowotwory skóry i, jak zauważa Cancer Research UK , rzadko dają przerzuty do innych części ciała. Czerniak jest w tym teście linią najważniejszą. Przeoczenie go to najgorszy błąd, dlatego pomylenie czerniaka z rakiem podstawnokomórkowym jest mniejszym złem: pacjent i tak zostaje pod opieką lekarza.

Jest tu pewien haczyk, na który autor sam zwraca uwagę. Niegroźne zmiany w zbiorze też zostały wycięte i wysłane do laboratorium. Skoro ktoś zdecydował o usunięciu pieprzyka, coś w nim niepokoiło klinicystę. Test jest więc pełen najtrudniejszych pieprzyków, takich, które każą specjalistom się zawahać.

Modele dostały oba zdjęcia i usłyszały pytania, które zadałby lekarz: która z sześciu diagnoz jest najbardziej prawdopodobna, jak bardzo są pewne, co byłoby drugim wyborem i czy pacjenta można odesłać do domu bez leczenia, biopsji i kontroli. Żaden model nie odmówił odpowiedzi w ani jednym przypadku.

Sieć, od której zaczął się AI-dermatolog

Inception v3 nie powstała dla medycyny. W artykule z grudnia 2015 roku inżynierowie Google przedstawili ją jako sieć do rozpoznawania codziennych przedmiotów na zdjęciach. To splotowa sieć neuronowa: przegląda obraz przez małe okienka i składa drobne szczegóły, takie jak krawędzie i plamki, w coraz większe wzory.

W styczniu 2017 roku sięgnął po nią zespół ze Stanfordu. Dotrenował ją na 129 450 zdjęciach skóry obejmujących 2032 choroby i doniósł w „Nature" , że na obrazach potwierdzonych biopsją odróżnia raka od zmian niegroźnych tak dobrze jak 21 dermatologów z uprawnieniami specjalistycznymi. Autorzy sugerowali, że taka sieć w smartfonie mogłaby wynieść zasięg dermatologa poza gabinet.

Lynch wziął tę samą architekturę i dotrenował ją na 68 011 zdjęciach z ISIC Archive na jednej karcie graficznej. Wcześniej usunął z danych treningowych wszystkie 200 zmian testowych oraz każde inne zdjęcie tych samych zmian i pacjentów, więc sieć nigdy ich nie widziała. Najnowsze modele językowe piszą kod, sprawdzają umowy i rozmawiają o wszystkim. W rozpoznawaniu pieprzyków przegrały z wąskim specjalistą sprzed dekady.

Każdy duży model ma ulubioną odpowiedź

Przepaść jest największa przy zmianach niegroźnych. GPT-6 Astra rozpoznała tylko 16 z 50 pieprzyków, Claude Fable 5.1 tylko 6 z 50 rogowców łojotokowych, a sieć odpowiednio 37 i 26. Chatboty najgorzej rozpoznają właśnie to, co można zostawić w spokoju. Żaden z wyników dla czerniaka nie robi wrażenia, co uczciwie oddaje trudność zbioru.

Gorzej, że każdy model językowy miał ulubioną odpowiedź. GPT-6 Astra oznaczyła 75 zmian jako raka podstawnokomórkowego, choć w zbiorze było ich 25, a 14 z 30 czerniaków wylądowało w tej kupce. Taki pacjent i tak zostałby pod opieką lekarza: czerniaka pomylono z innym nowotworem. Model trafił za to wszystkie 25 prawdziwych raków podstawnokomórkowych, o jednego więcej niż sieć, która miała 24. Ten idealny wynik to efekt uboczny nawyku: co trzecią zmianę nazwij rakiem podstawnokomórkowym, a żaden prawdziwy nie umknie. Claude Fable 5.1 zobaczył rogowacenie słoneczne w 53 przypadkach przy prawdziwych 20. Przy tych rogowaceniach stara sieć przegrała z oboma modelami: 9 z 20 wobec 10 i 12. W innym przykładzie GPT-6 Astra wzięła czerniaka z bardzo małą ilością barwnika za raka podstawnokomórkowego i oceniła swoją pewność na 95%.

Błędy sieci przy czerniaku szły w drugą stronę. Z jej 17 pomyłek 8 razy uznała czerniaka za pieprzyk, a 6 razy za rogowiec łojotokowy, czyli za rzeczy, które można zostawić. Z taką diagnozą łatwo odesłać człowieka do domu.

Wszystko rozstrzyga próg

Lekarz często potrzebuje odpowiedzi na prostsze pytanie niż „co to jest”: odesłać człowieka do domu czy nie. Sieć odpowiada na nie liczbą od 0 do 1, która pokazuje, jak bardzo zmiana wygląda groźnie. Próg to kreska na tej skali, powyżej której sieć mówi „trzeba to sprawdzić”. Obniż kreskę, a alarmów będzie więcej. Podnieś ją, a sieć częściej odeśle ludzi do domu.

Modele językowe trzymały pod nadzorem 97 i 96 ze 100 groźnych zmian. Odesłały do domu 3 i 4 z 30 czerniaków. Ale niewiele niegroźnych zmian też puściły wolno: 32 i 22 na 100. Reszta ludzi z łagodnym pieprzykiem dostałaby niepotrzebne skierowanie na wizytę lub biopsję.

Próg starej sieci ustawiono z góry na innych obrazach i nie dopasowano go do tych 200 przypadków. Przy nim sieć zachowywała się inaczej. Odesłała do domu 76 ze 100 niegroźnych zmian, a pod nadzorem zostawiła tylko 77 groźnych. Wśród tych, które puściła, było 18 z 30 czerniaków. Sieć decyduje o odesłaniu według własnej skali podejrzliwości, niezależnie od tego, jaką diagnozę poda. Dlatego puściła 18 czerniaków, choć diagnozę „czerniak” pomyliła w 17 przypadkach.

Dopasuj próg do ostrożności chatbotów, a obraz się zmieni. Sieć zatrzymuje wtedy 98 lub 99 ze 100 groźnych zmian, wobec 97 i 96 u modeli językowych, i odsyła do domu jednego lub dwóch czerniaków wobec trzech i czterech. Przy tej samej ostrożności stara sieć wygrywa z obydwoma modelami w obu rubrykach. 18 przeoczonych czerniaków mówi więcej o wybranej kresce. Ustawiają ją twórcy, a użytkownik nie ma nic do powiedzenia.

Pytanie „czy iść do lekarza?”

Zwykły człowiek pyta inaczej niż lekarz. W tym samym sondażu KFF 13% dorosłych Amerykanów powiedziało, że wgrało do chatbotów własne dane medyczne, takie jak wyniki badań czy notatki lekarzy.

Lynch sprawdził też ten scenariusz. Pokazał modelom tylko zwykłe zdjęcie, bez obrazu z dermatoskopu, i zadał pytanie pacjenta: „Czy muszę iść do lekarza?”. Oba modele niemal za każdym razem radziły wizytę, także przy zmianach niegroźnych. Na osobnym zbiorze 100 czerniaków potwierdzonych biopsją odsyłały człowieka do lekarza w 99 i 98 przypadkach.

Dla kogoś, kto fotografuje pieprzyk i wgrywa zdjęcie do ChatGPT lub Claude’a , wynikają z tego dwie rzeczy. Chatbot prawdopodobnie nie przeoczy czerniaka. Nie uniewinni jednak także łagodnego pieprzyka, więc jego „trzeba to sprawdzić” mówi niemal nic. Zachowuje się jak czujnik dymu, który wyje przy każdej przypalonej grzance: pożaru nie prześpi, ale nie odróżni go od śniadania.

Czego ten test nie dowodzi

Słabe punkty wymienia sam Lynch. Dwieście zmian wystarcza, by pokazać ogólny wzór, ale nie do uszeregowania bliskich wyników. Trzydzieści czerniaków zostawia szeroką niepewność przy liczbie, która liczy się najbardziej. Każdy model językowy widział każdy przypadek raz, a ich odpowiedzi różnią się między uruchomieniami. MILK10k jest publiczny od 2025 roku, więc modele mogły widzieć go w treningu. Zdaniem autora raczej by im to pomogło.

Inception v3 pełni w teście rolę punktu odniesienia. Najlepsze obecne systemy do diagnozowania skóry łączą kilka sieci nowszej generacji i uczą się na większej ilości danych. Regulowane produkty oparte na nich, jak mówi Lynch, działają wyraźnie lepiej. Zbiór był trudny także dla starej sieci: na zwykłych obrazach z ISIC Archive odróżniała groźne zmiany od bezpiecznych dokładniej. Jej zbiorcza ocena wynosi tam 0,96 wobec 0,86 tutaj, gdzie 1 oznacza brak błędów, a 0,5 zgadywanie.

Test nie przeszedł recenzji naukowej: to wpis na stronie laboratorium. W zamian Lynch opublikował wszystko, co potrzebne do sprawdzenia: przypadki, prompty, każdą odpowiedź modeli i kod oceny. Ujawnia, że analizę i pierwsze szkice przygotowano z pomocą Claude Code, narzędzia do programowania od Anthropic, choć jeden z testowanych modeli również pochodzi od Anthropic. Sieć działa online jako demo badawcze i nie jest wyrobem medycznym. Sam Lynch ostrzega, że przeocza część nowotworów skóry, w tym czerniaka, i nie wolno na jej podstawie decydować, czy iść do lekarza.

Oba najnowsze modele odesłałyby pacjenta z czerniakiem na uchu do domu, gdyby zapytać je jak lekarza, na podstawie obu zdjęć. W roli doradcy pacjenta posłałyby go do lekarza, tak jak wszystkich. Stara sieć tego czerniaka zobaczyła, ale to, czy zamilknie, czy podniesie alarm, zależy od kreski na jej skali. Ważniejsze od pytania, które AI jest mądrzejsze, jest więc inne: kto ustawia kreskę, poniżej której maszyna milczy, i gdzie?