O rețea neuronală din 2015 a întrecut GPT-6 și Claude la depistarea cancerului de piele

Melanomul se află pe urechea unui pacient. E subțire, dar a început deja să crească în profunzimea pielii. Dermatologul Magnus Lynch a arătat două fotografii ale lui celor două dintre cele mai capabile modele de IA disponibile în octombrie 2026, GPT-6 Astra și Claude Fable 5.1. Amândouă au dat același răspuns: keratoză seboreică, o excrescență veruciformă inofensivă, pacientul poate fi trimis acasă. Apoi aceleași fotografii au ajuns la o rețea neuronală descrisă de inginerii Google încă din 2015. Ea a numit leziunea melanom.

Cazul nu e o excepție. Într-un test publicat pe 25 octombrie 2026 , vechea rețea Inception v3 a indicat diagnosticul corect pentru 125 din 200 de leziuni, adică 62%. Ambele modele de frontieră au reușit 42%. Reantrenarea fină a rețelei vechi pe imagini cu piele a durat, după spusele autorului, cam douăzeci de minute. Partea mai interesantă a testului e dincolo de scorul de acuratețe: fiecare mașină greșește în felul ei, iar asta decide cine ajunge acasă cu un cancer. Nu mai e o întrebare academică. Într-un sondaj KFF realizat între 24 februarie și 2 martie 2026, 32% dintre adulții americani au spus că au întrebat chatbot-uri de IA despre sănătatea lor în ultimul an, iar o poză cu un nev într-un astfel de chat nu mai surprinde pe nimeni.

Două sute de alunițe pe care cineva le-a tăiat deja

Lynch este dermatolog consultant și chirurg Mohs la Guy’s Hospital din Londra și lector onorific la King’s College London. Cercetările lui privesc cancerul de piele și utilizarea IA în dermatologie, așa că a construit testul așa cum ar face-o un clinician. A luat imaginile din MILK10k, un set public lansat în 2025 prin International Skin Imaging Collaboration (ISIC). Fiecare leziune din el e fotografiată de două ori: o dată într-un prim-plan obișnuit și o dată printr-un dermatoscop.

Lynch a extras la întâmplare 200 de leziuni. Fiecare diagnostic fusese confirmat prin histologie, adică prin examinarea la microscop a țesutului îndepărtat. O sută dintre leziuni nu trebuie lăsate fără urmărire: 30 de melanoame, 25 de carcinoame bazocelulare, 25 de carcinoame spinocelulare și 20 de keratoze actinice, plăci aspre provocate de soare, care se pot transforma în cancer. Cealaltă sută sunt inofensive: 50 de alunițe obișnuite și 50 de keratoze seboreice.

Carcinoamele bazocelular și spinocelular sunt cele mai frecvente cancere de piele și, după cum notează Cancer Research UK , rareori se răspândesc în alte părți ale corpului. Melanomul este linia care contează cel mai mult în acest test. Să-l ratezi e cea mai gravă greșeală, de aceea confuzia dintre un melanom și un carcinom bazocelular e răul mai mic: pacientul rămâne oricum la medic.

Există un cusur, pe care autorul îl semnalează singur. Și leziunile inofensive din set au fost excizate și trimise la laborator. Dacă cineva a hotărât să scoată un nev, ceva la el îngrijorase un clinician. Așadar testul e plin de cele mai înșelătoare alunițe, genul care îi face pe specialiști să se oprească și să se mai gândească.

Modelele au primit ambele fotografii și li s-a cerut ce ar cere un medic: care dintre șase diagnostice e cel mai probabil, cât de sigure sunt, care ar fi a doua alegere și dacă pacientul poate fi trimis acasă fără tratament, biopsie sau control ulterior. Niciun model n-a refuzat vreun caz.

Rețeaua de la care a pornit dermatologul-IA

Inception v3 nu a fost creată pentru medicină. Într-o lucrare din decembrie 2015 , inginerii Google au prezentat-o ca pe o rețea pentru recunoașterea obiectelor de zi cu zi din fotografii. Este o rețea neuronală convoluțională: scanează imaginea prin ferestre mici și asamblează detalii mici, precum muchii și pete, în tipare tot mai mari.

În ianuarie 2017, o echipă de la Stanford a preluat-o. Au reantrenat-o fin pe 129.450 de imagini cu piele, din 2.032 de boli, și au raportat în Nature că, pe imagini confirmate prin biopsie, rețeaua distingea cancerul de leziunile inofensive la fel de bine ca 21 de dermatologi certificați. Autorii sugerau că o asemenea rețea pe un smartphone ar putea duce raza de acțiune a dermatologului dincolo de cabinet.

Lynch a luat aceeași arhitectură și a reantrenat-o fin pe 68.011 imagini din ISIC Archive , pe o singură placă video. Din datele de antrenare a scos dinainte toate cele 200 de leziuni de test și orice altă fotografie a acelorași leziuni sau pacienți, astfel că rețeaua nu le văzuse niciodată. Cele mai noi modele de limbaj scriu cod, verifică contracte și stau de vorbă despre orice. La recunoașterea alunițelor au pierdut în fața unui specialist îngust de acum un deceniu.

Fiecare model mare are un răspuns preferat

Diferența e cea mai mare la leziunile inofensive. GPT-6 Astra a recunoscut doar 16 din 50 de alunițe, Claude Fable 5.1 doar 6 din 50 de keratoze seboreice, în timp ce rețeaua a nimerit 37 și 26. Chatbot-urile se descurcă cel mai prost tocmai la ce poate fi lăsat în pace. Nicio cifră la melanom nu impresionează, ceea ce e o imagine cinstită a unui set dificil.

Mai rău, fiecare model de limbaj avea un răspuns preferat. GPT-6 Astra a etichetat 75 de leziuni drept carcinom bazocelular, deși în set erau 25, iar 14 dintre cele 30 de melanoame au ajuns în acea grămadă. Pacientul ar fi rămas totuși la medic: melanomul fusese confundat cu un alt cancer. Modelul a nimerit însă toate cele 25 de carcinoame bazocelulare reale, cu unul mai mult decât cele 24 ale rețelei. Scorul perfect e un efect secundar al obiceiului: dacă numești carcinom bazocelular fiecare a treia leziune, niciuna reală nu-ți scapă. Claude Fable 5.1 a văzut keratoză actinică în 53 de cazuri, față de 20 reale. La aceste keratoze, vechea rețea a pierdut în fața ambelor modele, cu 9 din 20 față de 10 și 12. Într-un alt exemplu, GPT-6 Astra a confundat un melanom cu foarte puțin pigment cu un carcinom bazocelular și și-a pus încrederea la 95%.

Greșelile rețelei la melanom au mers în sens invers. Din cele 17 ratări ale ei, a numit melanomul nev de 8 ori și keratoză seboreică de 6 ori, adică ambele lucruri care pot fi lăsate în pace. Cu un astfel de diagnostic, omul e ușor de trimis acasă.

Totul se reduce la prag

Ce are adesea nevoie medicul e răspunsul la o întrebare mai simplă decât „ce este": îl trimit pe om acasă sau nu. Rețeaua răspunde cu un număr de la 0 la 1, care arată cât de periculoasă pare o leziune. Pragul este un reper pe această scară, peste care rețeaua spune „mergi la control". Dacă coborâți reperul, primiți mai multe alarme. Dacă îl ridicați, rețeaua trimite mai mulți oameni acasă.

Modelele de limbaj au păstrat sub observație 97, respectiv 96 din cele 100 de leziuni periculoase. Au externat 3 și 4 dintre cele 30 de melanoame. Dar au lăsat să plece puține leziuni inofensive: 32 și 22 din 100. Toți ceilalți, cu un nev benign, ar fi fost trimiși la o programare sau la o biopsie inutilă.

Pragul vechii rețele fusese fixat dinainte, pe alte imagini, și nu a fost ajustat după aceste 200 de cazuri. Cu el, rețeaua s-a comportat altfel. A externat 76 din cele 100 de leziuni inofensive și a păstrat doar 77 dintre cele periculoase. Printre cele lăsate să plece au fost 18 din cele 30 de melanoame. Rețeaua decide dacă externează după propria scară a suspiciunii, indiferent ce diagnostic numește. De aceea a lăsat 18 melanoame să plece, deși a greșit diagnosticul de melanom în 17 cazuri.

Aliniați pragul la prudența chatbot-urilor și imaginea se schimbă. Rețeaua păstrează 98 sau 99 din cele 100 de leziuni periculoase, față de 97 și 96 la modelele de limbaj, și externează unul sau două melanoame, față de trei și patru. La același nivel de prudență, vechea rețea le bate pe ambele modele la ambele capitole. Cele 18 melanoame ratate spun mai mult despre reperul ales. Îl stabilesc dezvoltatorii, iar utilizatorul nu are niciun cuvânt de spus.

Întrebarea „ar trebui să merg la medic?"

Un om obișnuit întreabă altfel decât un medic. În același sondaj KFF, 13% dintre adulții americani au spus că și-au încărcat propriile informații medicale în chatbot-uri, precum rezultate de analize sau notele medicilor.

Lynch a testat și acest scenariu. A arătat modelelor doar fotografia obișnuită, fără imaginea de dermatoscop, și a pus întrebarea unui pacient: „Trebuie să merg la medic?" Ambele modele au sfătuit aproape de fiecare dată să mergi la medic, inclusiv în cazul leziunilor inofensive. Pe un set separat de 100 de melanoame confirmate prin biopsie, au trimis omul la medic în 99, respectiv 98 de cazuri.

Pentru cine fotografiază un nev și îl încarcă în ChatGPT sau în Claude , rezultă două lucruri. Chatbot-ul probabil nu va rata un melanom. Dar nici nu va declara curat un nev benign, așa că „mergi la control" al lui nu îți spune aproape nimic. Se comportă ca un detector de fum care sună la fiecare felie de pâine prăjită arsă: nu va dormi peste un incendiu, dar nu deosebește un incendiu de micul dejun.

Ce nu dovedește acest test

Lynch își enumeră singur punctele slabe. Două sute de leziuni sunt suficiente pentru a arăta tiparul general, dar nu pentru a ordona rezultate apropiate. Treizeci de melanoame lasă o incertitudine largă asupra cifrei care contează cel mai mult. Fiecare model de limbaj a văzut fiecare caz o singură dată, iar răspunsurile lor diferă de la o rulare la alta. MILK10k e public din 2025, deci modelele l-ar fi putut vedea la antrenare. În opinia autorului, asta le-ar fi ajutat, dacă ceva.

Inception v3 servește drept punct de referință în test. Cele mai bune sisteme actuale de diagnostic al pielii combină mai multe rețele din generații mai noi și se antrenează pe mai multe date. Produsele reglementate construite pe ele, spune Lynch, au performanțe considerabil mai bune. Setul a fost greu și pentru rețeaua veche: pe imagini obișnuite din ISIC Archive ea separa mai exact leziunile periculoase de cele sigure. Scorul ei sintetic acolo este 0,96, față de 0,86 aici, unde 1 înseamnă zero greșeli, iar 0,5 înseamnă ghicit.

Testul nu a fost evaluat de colegi: e o postare pe site-ul laboratorului. În schimb, Lynch a publicat tot ce trebuie pentru a-l verifica: cazurile, prompturile, fiecare răspuns al modelelor și codul de evaluare. El dezvăluie că analiza și primele ciorne au fost realizate cu Claude Code, instrumentul de programare al Anthropic, în timp ce unul dintre modelele testate vine tot de la Anthropic. Rețeaua poate fi încercată online ca demo de cercetare și nu este un dispozitiv medical. Lynch însuși avertizează că ea ratează unele cancere de piele, melanomul inclus, și nu trebuie folosită pentru a decide dacă mergi la medic.

Ambele modele de frontieră ar fi trimis acasă pacientul cu melanom pe ureche, dacă ar fi fost întrebate ca un medic, cu ambele fotografii. În rolul de consilier al pacientului, l-ar fi trimis la medic, ca pe toți ceilalți. Vechea rețea a văzut acest melanom, dar dacă tace sau dă alarma depinde de un reper de pe scara ei. Așadar întrebarea care contează mai mult decât care IA e mai deșteaptă este aceasta: cine stabilește reperul sub care mașina tace și unde?