2015 model bir sinir ağı, cilt kanserini tanımada GPT-6 ve Claude'u geride bıraktı

Melanom, bir hastanın kulağında duruyor. İnce, ama deriye doğru büyümeye başlamış. Dermatolog Magnus Lynch, bunun iki fotoğrafını Ekim 2026’daki en yetenekli iki yapay zekâ modeline, GPT-6 Astra’ya ve Claude Fable 5.1’e gösterdi. İkisi de aynı yanıtı verdi: seboreik keratoz, yani zararsız, siğil benzeri bir oluşum; hasta güvenle eve gönderilebilir. Sonra aynı fotoğraflar, Google mühendislerinin daha 2015’te tarif ettiği bir sinir ağına gitti. O, lezyona melanom dedi.

Bu bir tesadüf değil. 25 Ekim 2026’da yayımlanan bir testte eski Inception v3 ağı 200 lezyonun 125’inde doğru tanıyı koydu; yani yüzde 62. İki öncü model de yüzde 42’de kaldı. Eski ağı cilt görüntüleriyle yeniden eğitmek, yazarın anlattığına göre yaklaşık yirmi dakika sürdü. Testin asıl ilginç yanı doğruluk puanının ötesinde: her makine kendine özgü biçimde yanılıyor ve kimin kanserle eve gönderileceğini bu belirliyor. Bu artık akademik bir soru değil. 24 Şubat-2 Mart 2026 arasında yapılan bir KFF anketinde Amerikalı yetişkinlerin yüzde 32’si geçen yıl sağlığıyla ilgili yapay zekâ sohbet botlarına soru sorduğunu söyledi; bir ben fotoğrafını böyle bir sohbete yüklemek artık kimseyi şaşırtmıyor.

Başkasının zaten kestiği iki yüz ben

Lynch, Londra’daki Guy’s Hospital’da danışman dermatolog ve Mohs cerrahı, King’s College London’da da fahri öğretim üyesi. Araştırma alanı cilt kanseri ve dermatolojide yapay zekâ kullanımı; testi de bir klinisyen gibi kurdu. Görüntüleri, Uluslararası Cilt Görüntüleme Derneği’nin (ISIC) 2025’te yayımladığı açık veri kümesi MILK10k’dan aldı. Kümedeki her lezyon iki kez fotoğraflanmış: bir kez sıradan yakın çekimle, bir kez de dermatoskopla.

Lynch rastgele 200 lezyon seçti. Her tanı histolojiyle doğrulanmıştı; yani çıkarılan doku mikroskop altında incelenmişti. Lezyonların yüzü eve gönderilmemesi gerekenlerdi: 30 melanom, 25 bazal hücreli karsinom, 25 skuamöz hücreli karsinom ve 20 aktinik keratoz, yani kansere dönüşebilen, güneşten zarar görmüş pürüzlü lekeler. Diğer yüzü güvenliydi: 50 sıradan ben ve 50 seboreik keratoz.

Bazal hücreli ve skuamöz hücreli karsinomlar en sık görülen cilt kanserleridir ve Cancer Research UK ‘in belirttiği gibi vücudun başka yerlerine nadiren yayılır. Bu testte en önemli çizgi melanom. Onu kaçırmak en kötü hata; bu yüzden melanomu bazal hücreli karsinomla karıştırmak daha hafif bir kötülük: hasta yine de doktorun elinde kalıyor.

Bir tuzak var ve yazar bunu kendisi belirtiyor. Kümedeki zararsız lezyonlar da kesilip laboratuvara gönderilmişti. Biri bir beni aldırmaya karar verdiyse, o benin bir klinisyeni endişelendiren bir yanı vardı. Yani test, uzmanları bile duraksatan en zor benlerle dolu.

Modellere iki fotoğraf da verildi ve bir doktorun soracağı şeyler soruldu: altı tanıdan hangisi en olası, ne kadar eminler, ikinci tercihleri ne, ve hasta tedavi, biyopsi ya da takip olmadan eve gönderilebilir mi? Hiçbir model tek bir vakada bile yanıt vermeyi reddetmedi.

Yapay zekâ dermatoloğunu başlatan ağ

Inception v3 tıp için yapılmamıştı. Google mühendisleri onu Aralık 2015’te yayımladıkları bir makalede fotoğraflardaki gündelik nesneleri tanıyan bir ağ olarak tanıttı. Evrişimli bir sinir ağı bu: görüntüyü küçük pencerelerle tarıyor, kenarlar ve lekeler gibi küçük ayrıntıları giderek daha büyük desenlerde birleştiriyor.

Ocak 2017’de bir Stanford ekibi onu aldı. 2.032 hastalığı kapsayan 129.450 cilt görüntüsüyle yeniden eğittiler ve Nature’da biyopsiyle doğrulanmış görüntülerde ağın kanseri zararsız lezyonlardan, uzmanlık belgeli 21 dermatolog kadar iyi ayırt ettiğini bildirdiler. Yazarlar, akıllı telefondaki böyle bir ağın dermatoloğun erişimini kliniğin dışına taşıyabileceğini öne sürdü.

Lynch aynı mimariyi aldı ve tek bir ekran kartında ISIC Archive ‘dan 68.011 görüntüyle yeniden eğitti. 200 test lezyonunu ve aynı lezyonların ya da hastaların tüm diğer fotoğraflarını eğitim verisinden önceden çıkardı; yani ağ onları hiç görmemişti. En yeni dil modelleri kod yazıyor, sözleşme inceliyor, her konuda sohbet ediyor. Benleri tanımaya gelince, on yıl öncesinin dar uzmanına yenildiler.

Her büyük modelin gözde bir yanıtı var

Fark en çok zararsız lezyonlarda açılıyor. GPT-6 Astra 50 benden yalnızca 16’sını, Claude Fable 5.1 50 seboreik keratozdan yalnızca 6’sını tanıdı; ağ ise 37 ve 26 buldu. Sohbet botları tam da kendi hâline bırakılabilecek olanı tanımakta en zayıf. Melanom rakamlarının hiçbiri etkileyici değil; bu da zor bir kümenin dürüst bir resmi.

Daha kötüsü, her dil modelinin gözde bir yanıtı vardı. GPT-6 Astra, kümede 25 bazal hücreli karsinom varken 75 lezyona bu etiketi yapıştırdı ve 30 melanomun 14’ü bu yığına düştü. Bu hasta yine de doktorda kalırdı: melanom başka bir kanserle karıştırılmıştı. Model 25 gerçek bazal hücreli karsinomun hepsini doğru bildi; ağın 24’ünden bir fazla. Bu kusursuz skor, alışkanlığın yan etkisi: her üçüncü lezyona bazal hücreli karsinom derseniz gerçek olan hiçbiri elinizden kaçmaz. Claude Fable 5.1, gerçekte 20 olan aktinik keratozu 53 vakada gördü. Bu keratozlarda eski ağ iki modele de yenildi: 20’de 9’a karşı 10 ve 12. Bir başka örnekte GPT-6 Astra, pigmenti çok az olan bir melanomu bazal hücreli karsinom sanıp güvenini yüzde 95 olarak bildirdi.

Ağın melanom hataları ise ters yöne gitti. Yaptığı 17 hatanın 8’inde melanoma ben, 6’sında seboreik keratoz dedi; ikisi de kendi hâline bırakılabilecek şeyler. Böyle bir tanıyla insanı eve göndermek kolay.

Her şey eşiğe bağlı

Bir doktorun çoğu zaman ihtiyaç duyduğu, “bu nedir” sorusundan daha basit bir sorunun yanıtı: kişiyi eve gönder, gönderme. Ağ buna 0 ile 1 arasında bir sayıyla yanıt veriyor; bu sayı lezyonun ne kadar tehlikeli göründüğünü gösteriyor. Eşik, bu ölçekte ağın “baktırın” dediği çizgi. Çizgiyi indirirseniz daha çok alarm alırsınız. Yükseltirseniz ağ daha çok insanı eve gönderir.

Dil modelleri 100 tehlikeli lezyonun 97’sini ve 96’sını gözetim altında tuttu. 30 melanomun 3’ünü ve 4’ünü eve gönderdiler. Ama zararsız lezyonları da pek bırakmadılar: 100’den yalnızca 32 ve 22. İyi huylu beni olan diğer herkes gereksiz bir randevuya ya da biyopsiye yönlendirilirdi.

Eski ağın eşiği önceden, başka görüntüler üzerinde belirlenmişti ve bu 200 vakaya göre ayarlanmamıştı. Bununla ağ farklı davrandı. 100 zararsız lezyonun 76’sını eve gönderdi, tehlikelilerin ise yalnızca 77’sini gözetimde tuttu. Eve gönderdikleri arasında 30 melanomun 18’i vardı. Ağ, hangi tanıyı koyarsa koysun, eve göndereceğine kendi şüphe ölçeğine göre karar veriyor. Melanom tanısını 17 vakada yanlış koymasına rağmen 18 melanomu salmasının nedeni bu.

Eşiği sohbet botlarının ihtiyatına uydurursanız tablo değişiyor. Ağ, dil modellerindeki 97 ve 96’ya karşılık 100 tehlikeli lezyonun 98 ya da 99’unu tutuyor ve onların 3 ve 4’üne karşılık bir ya da iki melanomu eve gönderiyor. Aynı ihtiyat düzeyinde eski ağ, iki modeli de her iki ölçütte geçiyor. Kaçırılan 18 melanom, daha çok seçilen çizgi hakkında bir şey söylüyor. Onu geliştiriciler belirliyor; kullanıcının bu konuda sözü yok.

“Doktora görünmeli miyim?” sorusu

Sıradan bir insan, doktordan farklı sorar. Aynı KFF anketinde Amerikalı yetişkinlerin yüzde 13’ü, test sonuçları ya da doktor notları gibi kendi tıbbi bilgilerini sohbet botlarına yüklediğini söyledi.

Lynch bu senaryoyu da denedi. Modellere dermatoskop görüntüsü olmadan yalnızca sıradan fotoğrafı gösterdi ve bir hastanın sorusunu sordu: “Doktora görünmem gerekir mi?” İki model de zararsız lezyonlar dahil, neredeyse her seferinde doktora görünmeyi önerdi. Biyopsiyle doğrulanmış ayrı bir 100 melanom kümesinde, kişiyi 99 ve 98 vakada doktora gönderdiler.

Bir beni fotoğraflayıp ChatGPT ‘ye ya da Claude ‘a yükleyen biri için bundan iki sonuç çıkıyor. Sohbet botu büyük olasılıkla bir melanomu kaçırmaz. Ama iyi huylu bir beni de temize çıkarmaz; yani “baktırın” demesi neredeyse hiçbir şey anlatmıyor. Yanan her ekmek diliminde çalan bir duman alarmı gibi davranıyor: yangını uyuyarak kaçırmaz, ama yangını kahvaltıdan ayıramaz.

Bu test neyi kanıtlamıyor

Zayıf noktaları Lynch kendisi sıralıyor. İki yüz lezyon genel örüntüyü göstermeye yeter, ama yakın sonuçları sıralamaya yetmez. Otuz melanom, en önemli rakamda geniş bir belirsizlik bırakıyor. Her dil modeli her vakayı bir kez gördü ve yanıtları her çalıştırmada değişiyor. MILK10k 2025’ten beri herkese açık, dolayısıyla modeller onu eğitimde görmüş olabilir. Yazara göre bu, varsa onlara yardım etmiştir.

Inception v3 testte bir temel çizgi olarak duruyor. Bugünkü en iyi cilt tanı sistemleri, daha yeni kuşak birkaç ağı birleştiriyor ve daha fazla veriyle eğitiliyor. Lynch, bunlara dayanan düzenlemeye tabi ürünlerin çok daha iyi çalıştığını söylüyor. Küme eski ağ için de zordu: ISIC Archive’in sıradan görüntülerinde tehlikeli lezyonları güvenlilerden daha doğru ayırıyordu. Orada özet puanı 0,96, burada 0,86; 1 hatasızlık, 0,5 ise tahmin yürütmek demek.

Test hakemli bir incelemeden geçmedi: laboratuvarın sitesindeki bir yazı. Karşılığında Lynch, doğrulamak için gereken her şeyi yayımladı: vakaları, komutları, modellerin her yanıtını ve puanlama kodunu. Analizin ve ilk taslakların Anthropic’in kodlama aracı Claude Code ile hazırlandığını, test ettiği modellerden birinin de Anthropic’ten olduğunu açıkça belirtiyor. Ağ, bir araştırma demosu olarak çevrimiçi ve tıbbi cihaz değil. Lynch’in kendisi, ağın melanom dahil bazı cilt kanserlerini kaçırdığı konusunda uyarıyor ve doktora gidip gitmeme kararında kullanılmaması gerektiğini söylüyor.

İki öncü model de kulağında melanom olan hastayı, doktor gibi ve iki fotoğrafla sorulduğunda eve gönderirdi. Hastanın danışmanı rolünde ise onu, herkes gibi, doktora gönderirdi. Eski ağ bu melanomu gerçekten gördü, ama susup susmayacağı ya da alarm verip vermeyeceği ölçeğindeki bir çizgiye bağlı. Dolayısıyla hangi yapay zekânın daha akıllı olduğundan daha önemli bir soru var: makinenin sustuğu çizgiyi kim, nerede belirliyor?