Неуронска мрежа из 2015. надмашила GPT-6 и Claude у препознавању рака коже

Меланом је на уву пацијента. Танак је, али већ је почео да расте дубље у кожу. Дерматолог Магнус Линч показао је две фотографије промене двама најспособнијим AI моделима доступним у октобру 2026, GPT-6 Astra и Claude Fable 5.1. Оба су дала исти одговор: себороична кератоза, безазлена брадавичаста творевина, пацијента можемо да пошаљемо кући. Затим су исте фотографије стигле до неуронске мреже коју су инжењери Google-а описали још 2015. Она је промену прогласила меланомом.

То није случајност. У тесту објављеном 25. октобра 2026 стара мрежа Inception v3 погодила је тачну дијагнозу код 125 од 200 промена, или 62%. Оба водећа модела постигла су 42%. Дотеривање старе мреже на сликама коже трајало је, по речима аутора, око двадесет минута. Занимљивији део теста је иза резултата тачности: свака машина греши на свој начин, а то одлучује ко ће кући отићи с раком. То више није академско питање. У анкети KFF-а спроведеној од 24. фебруара до 2. марта 2026, 32% одраслих Американаца рекло је да је у последњих годину дана питало AI четботове о здрављу, а фотографија младежа у таквом ћаскању данас никог не чуди.

Две стотине младежа које је неко већ исекао

Линч је консултант дерматолог и Мосов хирург у болници Guy’s у Лондону и почасни предавач на King’s College London. Бави се истраживањем рака коже и употребом AI у дерматологији, па је тест направио као клиничар. Слике је узео из MILK10k, јавног скупа података објављеног 2025. преко Међународне колаборације за снимање коже (ISIC). Свака промена у њему фотографисана је два пута: једном као обичан крупни план, а једном кроз дерматоскоп.

Линч је насумично одабрао 200 промена. Свака дијагноза потврђена је хистологијом, то јест уклоњено ткиво прегледано је под микроскопом. Стотину промена не сме да се пошаље кући: 30 меланома, 25 базалиома (базоцелуларних карцинома), 25 карцинома сквамозних ћелија и 20 актиничних кератоза, храпавих мрља оштећених сунцем које могу прећи у рак. Осталих стотину је безопасно: 50 обичних младежа и 50 себороичних кератоза.

Базоцелуларни и сквамозни карциноми су најчешћи карциноми коже и, како наводи Cancer Research UK , ретко се шире на друге делове тела. Меланом је у овом тесту линија која је најважнија. Његов пропуст је најгора грешка, зато је замена меланома базалиомом мање зло: пацијент ипак остаје код лекара.

Постоји једна квака, а аутор сам на њега указује. Безазлене промене у скупу такође су исечене и послате у лабораторију. Ако је неко одлучио да уклони младеж, нешто на њему забринуло је клиничара. Зато је тест пун најлукавијих младежа, оних због којих и стручњаци застану.

Модели су добили обе фотографије и питања какво би поставио лекар: која је од шест дијагноза највероватнија, колико су сигурни, шта би био други избор и да ли пацијента можемо да отпустимо без лечења, биопсије или праћења. Ниједан модел није одбио ниједан случај.

Мрежа од које је кренуо AI дерматолог

Inception v3 није прављена за медицину. У раду из децембра 2015 Google-ови инжењери представили су је као мрежу за препознавање свакодневних предмета на фотографијама. То је конволуциона неуронска мрежа: скенира слику кроз мале прозоре и од ситних детаља, као што су ивице и мрље, склапа све веће обрасце.

У јануару 2017. прихватио ју је тим са Стенфорда. Дотерали су је на 129.450 слика коже које покривају 2.032 болести и у часопису Nature известили да је на сликама потврђеним биопсијом разликовала рак од безазлених промена једнако добро као 21 дерматолог са специјалистичким испитом. Аутори су претпоставили да би таква мрежа на паметном телефону могла да пренесе домет дерматолога изван ординације.

Линч је узео исту архитектуру и дотерао је на 68.011 слика из ISIC архиве на једној графичкој картици. Из података за учење унапред је уклонио свих 200 тест промена и све остале фотографије истих промена или истих пацијената, па мрежа никада није видела те случајеве. Најновији језички модели пишу код, прегледају уговоре и ћаскају о било чему. У препознавању младежа изгубили су од уског специјалисте од пре деценију.

Сваки велики модел има омиљени одговор

Разлика је највећа код безазлених промена. GPT-6 Astra препознао је само 16 од 50 младежа, Claude Fable 5.1 само 6 од 50 себороичних кератоза, док је мрежа погодила 37 и 26. Четботови су најгори управо у препознавању онога што може да се остави на миру. Ниједан резултат за меланом није импресиван, што је поштена слика тешког скупа.

Горе од тога, сваки језички модел имао је омиљени одговор. GPT-6 Astra означио је 75 промена као базалиом иако их је у скупу било 25, а 14 од 30 меланома завршило је у тој гомили. Тај пацијент би ипак остао код лекара: меланом је заменио другим раком. Ипак је тачно погодио свих 25 правих базалиома, један више од мрежиних 24. Тај савршен резултат нуспојава је навике: сваку трећу промену прогласи базалиомом и ниједан прави неће промаћи. Claude Fable 5.1 видео је актиничну кератозу у 53 случаја уместо стварних 20. На тим кератозама стара мрежа изгубила је од оба модела, са 9 од 20 према 10 и 12. У још једном примеру GPT-6 Astra заменио је меланом са врло мало пигмента базалиомом и своју сигурност проценио на 95%.

Грешке мреже код меланома ишле су у супротном смеру. Од својих 17 промашаја, меланом је 8 пута назвала младежом, а 6 пута себороичном кератозом, а оба се могу оставити на миру. Са таквом дијагнозом човека је лако послати кући.

Све се своди на праг

Лекару често треба одговор на једноставније питање од „шта је то“: послати човека кући или не. Мрежа одговара бројем од 0 до 1 који показује колико промена личи на опасну. Праг је ознака на тој скали изнад које мрежа каже „нека се провери“. Спустите ознаку и добићете више аларма. Подигните је и мрежа ће више људи слати кући.

Језички модели држали су под надзором 97 и 96 од 100 опасних промена. Отпустили су 3 и 4 од 30 меланома. Али и безазлених су пуштали мало: 32 и 22 од 100. Сви остали са доброћудним младежом били би упућени на непотребан преглед или биопсију.

Праг старе мреже унапред је подешен на другим сликама и није дотеран за ових 200 случајева. Са њим се мрежа понашала другачије. Отпустила је 76 од 100 безазлених промена и задржала само 77 опасних. Међу онима које је пустила било је 18 од 30 меланома. Мрежа одлучује о отпуштању по сопственој скали сумње, без обзира на дијагнозу коју наведе. Зато је пустила 18 меланома иако је дијагнозу меланома погрешила у 17 случајева.

Ускладите праг са опрезом четботова и слика се мења. Мрежа задржава 98 или 99 од 100 опасних промена, према 97 и 96 код језичких модела, и отпушта један или два меланома према три и четири. При истом нивоу опреза стара мрежа побеђује оба модела по оба основа. Тих 18 пропуштених меланома више говори о изабраној ознаци. Поставили су је програмери, а корисник о њој нема ништа да каже.

Питање „треба ли да идем лекару?“

Обичан човек пита другачије од лекара. У истој KFF анкети 13% одраслих Американаца рекло је да је четботовима отпремило своје медицинске податке, као што су налази или лекарске белешке.

Линч је тестирао и тај сценарио. Моделима је показао само обичну фотографију, без дерматоскопске слике, и поставио питање пацијента: „Треба ли да идем лекару?“ Оба модела саветовала су лекара готово сваки пут, укључујући безазлене промене. На засебном скупу од 100 меланома потврђених биопсијом упутила су човека лекару у 99 и 98 случајева.

За некога ко фотографише младеж и отпреми га у ChatGPT или Claude из тога следе две ствари. Четбот вероватно неће пропустити меланом. Али неће ни ослободити доброћудни младеж, па његово „нека се провери“ не говори готово ништа. Понаша се као детектор дима који се огласи на сваку препечену кришку тоста: неће проспавати пожар, али не разликује пожар од доручка.

Шта овај тест не доказује

Линч сам наводи слабе тачке. Две стотине промена довољно је да се покаже општа слика, али не и да се рангирају блиски резултати. Тридесет меланома оставља широку неизвесност код броја који је најважнији. Сваки језички модел видео је сваки случај по једном, а њихови одговори се од покретања до покретања разликују. MILK10k је јаван од 2025, па су модели можда видели скуп током обучавања. По мишљењу аутора, то би им, ако ишта, помогло.

Inception v3 у тесту служи као основа за поређење. Најбољи савремени системи за дијагнозу коже комбинују неколико мрежа новије генерације и уче на већем броју података. Регулисани производи заснивани на њима, каже Линч, раде знатно боље. Скуп је био тежак и за стару мрежу: на обичним сликама из ISIC архиве опасне од безазлених промена раздвајала је тачније. Њен збирни резултат тамо је 0,96 према 0,86 овде, где 1 значи без грешака, а 0,5 значи погађање.

Тест није прошао рецензију: реч је о објави на сајту лабораторије. Уместо тога Линч је објавио све што је потребно да се провери: случајеве, упите, сваки одговор модела и код за бодовање. Наводи да су анализа и прве верзије настали уз Claude Code, Anthropic-ов алат за програмирање, док један од тестираних модела такође потиче од Anthropic-а. Мрежа је доступна на мрежи као истраживачка демонстрација и није медицинско средство. Сам Линч упозорава да пропушта неке карциноме коже, укључујући меланом, и да се не сме користити за одлуку да ли треба ићи лекару.

Оба водећа модела послала би пацијента са меланомом на уву кући кад су питани као лекар, са обе фотографије. У улози саветника пацијента упутили би га лекару, као и све остале. Стара мрежа јесте видела овај меланом, али да ли ће ћутати или дићи узбуну зависи од ознаке на њеној скали. Зато је важније питање од тога који је AI паметнији ово: ко поставља ознаку испод које машина ћути, и где?