Uma rede neural de 2015 superou o GPT-6 e o Claude na detecção de câncer de pele

O melanoma está na orelha de um paciente. É fino, mas já começou a penetrar na pele. O dermatologista Magnus Lynch mostrou duas fotos dele a dois dos modelos de IA mais capazes disponíveis em outubro de 2026, o GPT-6 Astra e o Claude Fable 5.1. Os dois deram a mesma resposta: queratose seborreica, um crescimento verrugoso inofensivo, o paciente pode ir para casa. Em seguida, as mesmas fotos foram para uma rede neural que engenheiros do Google descreveram em 2015. Ela classificou a lesão como melanoma.

Esse caso não é um acaso. Em um teste publicado em 25 de outubro de 2026 , a velha rede Inception v3 acertou o diagnóstico de 125 das 200 lesões, ou 62%. Os dois modelos de ponta chegaram a 42%. Ajustar a rede antiga com imagens de pele levou, segundo o autor, cerca de vinte minutos. A parte mais interessante do teste vai além da nota de acerto: cada máquina erra do seu jeito, e isso decide quem volta para casa com um câncer. A questão deixou de ser acadêmica. Em uma pesquisa da KFF feita de 24 de fevereiro a 2 de março de 2026, 32% dos adultos americanos disseram ter perguntado a chatbots de IA sobre sua saúde no último ano, e a foto de uma pinta nesse tipo de conversa já não surpreende ninguém.

Duzentas pintas que alguém já removeu

Lynch é dermatologista consultor e cirurgião de Mohs no Guy’s Hospital, em Londres, e professor associado honorário no King’s College London. Sua pesquisa trata de câncer de pele e do uso de IA em dermatologia, então ele montou o teste como um clínico faria. As imagens vieram do MILK10k, um conjunto público lançado em 2025 pela International Skin Imaging Collaboration (ISIC). Cada lesão foi fotografada duas vezes: uma em close comum e outra por um dermatoscópio.

Lynch sorteou 200 lesões. Cada diagnóstico foi confirmado por histologia, ou seja, o tecido removido foi examinado ao microscópio. Cem das lesões não devem ser dispensadas: 30 melanomas, 25 carcinomas basocelulares, 25 carcinomas espinocelulares e 20 queratoses actínicas, manchas ásperas causadas pelo sol que podem virar câncer. As outras cem são seguras: 50 pintas comuns e 50 queratoses seborreicas.

Os carcinomas basocelular e espinocelular são os cânceres de pele mais comuns e, como observa a Cancer Research UK , raramente se espalham para outras partes do corpo. O melanoma é a linha que mais importa neste teste. Deixá-lo passar é o pior erro, e por isso confundir um melanoma com um carcinoma basocelular é o mal menor: o paciente continua sob os cuidados do médico.

Há uma pegadinha, e o próprio autor a aponta. As lesões inofensivas do conjunto também foram removidas e enviadas ao laboratório. Se alguém decidiu tirar uma pinta, algo nela preocupou um clínico. Por isso o teste está cheio das pintas mais traiçoeiras, aquelas que fazem os especialistas hesitar.

Os modelos receberam as duas fotos e foram questionados como um médico seria: qual de seis diagnósticos é o mais provável, quanta confiança eles têm, qual seria a segunda opção e se o paciente poderia ser dispensado sem tratamento, biópsia ou acompanhamento. Nenhum dos modelos se recusou a responder em um único caso.

A rede que deu origem à IA dermatologista

A Inception v3 não foi criada para a medicina. Em um artigo de dezembro de 2015 , engenheiros do Google a apresentaram como uma rede para reconhecer objetos do dia a dia em fotos. É uma rede neural convolucional: ela varre a imagem por pequenas janelas e monta detalhes minúsculos, como bordas e manchas, em padrões cada vez maiores.

Em janeiro de 2017, uma equipe de Stanford a adotou. Eles a ajustaram com 129.450 imagens de pele que cobriam 2.032 doenças e relataram na Nature que, em imagens com diagnóstico confirmado por biópsia, ela distinguia câncer de lesões inofensivas tão bem quanto 21 dermatologistas certificados. Os autores sugeriram que uma rede assim, em um smartphone, poderia levar o alcance do dermatologista para além da clínica.

Lynch pegou a mesma arquitetura e a ajustou com 68.011 imagens do ISIC Archive em uma única placa de vídeo. Ele removeu dos dados de treinamento todas as 200 lesões do teste, e todas as outras fotos das mesmas lesões ou dos mesmos pacientes, de modo que a rede nunca as tinha visto. Os modelos de linguagem mais recentes escrevem código, revisam contratos e conversam sobre qualquer assunto. Na hora de reconhecer pintas, perderam para uma especialista estreita de dez anos atrás.

Todo modelo grande tem uma resposta favorita

A diferença é maior nas lesões inofensivas. O GPT-6 Astra reconheceu só 16 de 50 pintas, o Claude Fable 5.1 apenas 6 de 50 queratoses seborreicas, enquanto a rede acertou 37 e 26. Os chatbots são piores justamente em reconhecer o que pode ser deixado em paz. Nenhum dos números de melanoma impressiona, o que retrata com honestidade um conjunto difícil.

Pior: cada modelo de linguagem tinha uma resposta favorita. O GPT-6 Astra rotulou 75 lesões como carcinoma basocelular quando o conjunto tinha 25, e 14 dos 30 melanomas foram parar nessa pilha. Esse paciente continuaria com o médico: o melanoma foi confundido com outro câncer. Ainda assim, ele acertou todos os 25 carcinomas basocelulares reais, um a mais que os 24 da rede. Essa nota perfeita é efeito colateral do hábito: chame de carcinoma basocelular uma lesão em cada três e nenhum real escapa. O Claude Fable 5.1 viu queratose actínica em 53 casos, contra 20 reais. Nessas queratoses, a rede antiga perdeu para os dois modelos, com 9 de 20 contra 10 e 12. Em outro exemplo, o GPT-6 Astra confundiu um melanoma com muito pouco pigmento com um carcinoma basocelular e cravou 95% de confiança.

Os erros de melanoma da rede foram no sentido oposto. Dos seus 17 erros, ela chamou o melanoma de pinta 8 vezes e de queratose seborreica 6 vezes, duas coisas que podem ser deixadas em paz. Com um diagnóstico desses, é fácil mandar a pessoa para casa.

Tudo se resume ao limiar

O que o médico muitas vezes precisa é a resposta de uma pergunta mais simples que “o que é isso”: mandar a pessoa para casa ou não. A rede responde com um número de 0 a 1, que mostra o quanto a lesão parece perigosa. O limiar é uma marca nessa escala, acima da qual a rede diz “vá examinar”. Baixe a marca e você terá mais alarmes. Suba-a e a rede manda mais gente para casa.

Os modelos de linguagem mantiveram sob vigilância 97 e 96 das 100 lesões perigosas. Dispensaram 3 e 4 dos 30 melanomas. Mas também liberaram poucas lesões inofensivas: 32 e 22 de 100. Todos os outros com uma pinta benigna teriam sido enviados a uma consulta ou biópsia desnecessária.

O limiar da rede antiga foi definido de antemão com outras imagens e não foi ajustado para estes 200 casos. Com ele, a rede se comportou de outra forma. Dispensou 76 das 100 lesões inofensivas e manteve apenas 77 das perigosas. Entre as que liberou estavam 18 dos 30 melanomas. A rede decide se dispensa pela sua própria escala de suspeita, seja qual for o diagnóstico que nomeia. Por isso ela liberou 18 melanomas mesmo tendo errado o diagnóstico de melanoma em 17 casos.

Ajuste o limiar à cautela dos chatbots e o quadro muda. A rede mantém 98 ou 99 das 100 lesões perigosas, contra 97 e 96 dos modelos de linguagem, e dispensa um ou dois melanomas contra três e quatro. Com o mesmo nível de cautela, a rede antiga vence os dois modelos nos dois quesitos. Os 18 melanomas perdidos dizem mais sobre a marca escolhida. Quem a define são os desenvolvedores, e o usuário não tem voz nisso.

A pergunta “devo procurar um médico?”

Uma pessoa comum pergunta de um jeito diferente do médico. Na mesma pesquisa da KFF, 13% dos adultos americanos disseram ter enviado a chatbots suas próprias informações médicas, como resultados de exames ou anotações de médicos.

Lynch testou esse cenário também. Mostrou aos modelos apenas a foto comum, sem a imagem do dermatoscópio, e fez a pergunta de um paciente: “Preciso consultar um médico?” Os dois modelos aconselharam procurar um médico quase sempre, inclusive nas lesões inofensivas. Em um conjunto separado de 100 melanomas confirmados por biópsia, mandaram a pessoa ao médico em 99 e 98 casos.

Para quem fotografa uma pinta e a envia ao ChatGPT ou ao Claude , duas coisas decorrem disso. O chatbot provavelmente não vai deixar passar um melanoma. Também não vai liberar uma pinta benigna, então o seu “vá examinar” quase não informa nada. Ele funciona como um alarme de fumaça que dispara a cada torrada queimada: não dorme durante um incêndio, mas não distingue um incêndio do café da manhã.

O que este teste não prova

O próprio Lynch lista os pontos fracos. Duzentas lesões bastam para mostrar o padrão geral, mas não para ordenar resultados próximos. Trinta melanomas deixam ampla incerteza no número que mais importa. Cada modelo de linguagem viu cada caso uma vez, e as respostas deles variam de uma execução para outra. O MILK10k é público desde 2025, então os modelos podem tê-lo visto no treinamento. Na opinião do autor, isso, se alguma coisa, teria ajudado os modelos.

A Inception v3 serve de linha de base no teste. Os melhores sistemas atuais de diagnóstico de pele combinam várias redes de geração mais nova e treinam com mais dados. Os produtos regulamentados baseados neles, diz Lynch, têm desempenho consideravelmente melhor. O conjunto também foi difícil para a rede antiga: em imagens comuns do ISIC Archive, ela separava lesões perigosas das seguras com mais precisão. Sua nota-resumo ali é 0,96 contra 0,86 aqui, onde 1 significa nenhum erro e 0,5 significa chute.

O teste não passou por revisão por pares: é uma publicação no site do laboratório. Em compensação, Lynch publicou tudo o que é preciso para verificá-lo: os casos, os prompts, cada resposta dos modelos e o código de pontuação. Ele declara que a análise e os primeiros rascunhos foram feitos com o Claude Code, a ferramenta de programação da Anthropic, enquanto um dos modelos testados também é da Anthropic. A rede está no ar como uma demonstração de pesquisa e não é um dispositivo médico. O próprio Lynch avisa que ela deixa passar alguns cânceres de pele, melanoma inclusive, e não deve ser usada para decidir se alguém procura um médico.

Os dois modelos de ponta teriam mandado para casa o paciente com o melanoma na orelha se fossem consultados como médicos, com as duas fotos. Atuando como conselheiros do paciente, o teriam enviado ao médico, como a todo mundo. A rede antiga viu esse melanoma, mas se ela fica quieta ou dá o alarme depende de uma marca na sua escala. Então a pergunta que importa mais do que saber qual IA é mais esperta é esta: quem define a marca abaixo da qual a máquina se cala, e onde?