Нейромережа 2015 року обійшла GPT-6 і Claude в розпізнаванні раку шкіри

Меланома сидить на вусі пацієнта. Вона тонка, але вже почала вростати в шкіру. Дерматолог Магнус Лінч показав два її фото двом найпотужнішим моделям ШІ жовтня 2026 року, GPT-6 Astra і Claude Fable 5.1. Обидві відповіли однаково: себорейний кератоз, нешкідливий бородавчастий нарост, пацієнта можна відпускати. Потім ті самі знімки отримала нейромережа, яку інженери Google описали ще 2015 року. Вона назвала утвір меланомою.

Це не поодинокий випадок. У тесті, опублікованому 25 жовтня 2026 року , стара мережа Inception v3 правильно визначила діагноз у 125 з 200 утворів, тобто у 62%. Обидві передові моделі впоралися лише на 42%. Донавчання старої мережі на знімках шкіри забрало, за словами автора, близько двадцяти хвилин. Найцікавіше в тесті ховається за самим відсотком точності: кожна машина помиляється по-своєму, і саме це вирішує, кого відправлять додому з раком. Це вже не академічне питання. За опитуванням KFF , проведеним з 24 лютого по 2 березня 2026 року, 32% дорослих американців за останній рік питали про своє здоров’я в чат-ботів зі ШІ, а фото родимки в такому чаті нікого вже не дивує.

Двісті родимок, які вже хтось вирізав

Лінч — консультант-дерматолог і хірург Мооса в лондонській лікарні Guy’s, а також почесний ридер Королівського коледжу Лондона. Він досліджує рак шкіри та застосування ШІ в дерматології, тож і тест склав як клініцист. Знімки взяв із MILK10k, відкритого набору даних, який 2025 року випустила Міжнародна колаборація зі шкірної візуалізації (ISIC). Кожне ураження там сфотографовано двічі: як звичайний крупний план і через дерматоскоп.

Лінч випадково відібрав 200 утворів. Кожен діагноз підтверджено гістологією, тобто видалену тканину розглянули під мікроскопом. Сто утворів не можна залишати без уваги: 30 меланом, 25 базаліом (базальноклітинних карцином), 25 плоскоклітинних карцином і 20 актинічних кератозів, шорстких ділянок із сонячним ушкодженням, які можуть перейти в рак. Решта сто безпечні: 50 звичайних родимок і 50 себорейних кератозів.

Базальноклітинна та плоскоклітинна карциноми — найпоширеніші види раку шкіри, і, як зазначає Cancer Research UK , вони рідко поширюються на інші частини тіла. Меланома в цьому тесті — найважливіша межа. Пропустити її найгірше, тому прийняти меланому за базаліому — менше зло: пацієнт принаймні залишається в лікаря.

Є одна пастка, і автор сам на неї вказує. Нешкідливі утвори в наборі теж вирізали й відправили в лабораторію. Якщо хтось вирішив видалити родимку, щось у ній стурбувало клініциста. Тож у тесті зібрано найхитріші родимки, від яких і фахівці замислюються.

Моделі отримали обидва знімки й відповідали на питання, які поставив би лікар: який із шести діагнозів найімовірніший, наскільки модель у ньому впевнена, що б вона назвала другим, і чи можна відпустити пацієнта без лікування, біопсії та спостереження. Жодна модель не відмовилася відповідати ні в одному випадку.

Мережа, з якої почався ШІ-дерматолог

Inception v3 створювали не для медицини. У статті грудня 2015 року інженери Google представили її як мережу для розпізнавання повсякденних предметів на фото. Це згорткова нейромережа: вона проглядає зображення крихітними віконцями й складає дрібні деталі, на кшталт країв і плям, у дедалі більші візерунки.

У січні 2017 року її підхопила команда зі Стенфорда. Вона донавчила мережу на 129 450 знімках шкіри з 2032 хворобами й повідомила в Nature , що на зображеннях із підтвердженою біопсією мережа відрізняє рак від нешкідливих утворів так само добре, як 21 сертифікований дерматолог. Автори припустили, що така мережа в смартфоні здатна винести допомогу дерматолога за межі клініки.

Лінч узяв ту саму архітектуру й донавчив її на 68 011 знімках з архіву ISIC на одній відеокарті. Усі 200 тестових утворів і кожне інше фото тих самих утворів чи тих самих пацієнтів він заздалегідь прибрав із навчальних даних, тож мережа їх ніколи не бачила. Найновіші мовні моделі пишуть код, перевіряють договори й підтримують розмову на будь-яку тему. А в розпізнаванні родимок вони програли вузькому спеціалісту десятирічної давності.

У кожної великої моделі є улюблена відповідь

Найбільший розрив — на нешкідливих утворах. GPT-6 Astra впізнала лише 16 родимок із 50, Claude Fable 5.1 — лише 6 себорейних кератозів із 50, тоді як мережа назвала 37 і 26. Чат-боти найгірше розпізнають саме те, що можна залишити в спокої. Жоден із результатів по меланомі не вражає, і це чесний портрет складного набору.

Гірше те, що в кожної мовної моделі була улюблена відповідь. GPT-6 Astra записала в базаліоми 75 утворів, хоча в наборі їх 25, і 14 із 30 меланом потрапили в цю купу. Такий пацієнт усе одно лишився б у лікаря: меланому сплутали з іншим раком. Усі 25 справжніх базаліом вона, утім, вгадала, на одну більше за мережу, яка вгадала 24. Ця бездоганна оцінка — побічний ефект звички: називай базаліомою кожне третє ураження, і жодна справжня не прослизне. Claude Fable 5.1 побачила актинічний кератоз у 53 випадках при справжніх 20. На цих кератозах стара мережа програла обом моделям: 9 із 20 проти 10 і 12. В іншому прикладі GPT-6 Astra сплутала меланому з дуже слабкою пігментацією з базаліомою й оцінила свою впевненість у 95%.

Помилки мережі з меланомами були протилежними. З її 17 промахів меланому вона 8 разів назвала родимкою і 6 разів себорейним кератозом, тобто тим, що можна залишити без уваги. З таким діагнозом людину легко відправити додому.

Усе вирішує поріг

Лікареві часто потрібна відповідь на простіше запитання, ніж «що це»: відпускати людину чи ні. Мережа відповідає на нього числом від 0 до 1, яке показує, наскільки утвір схожий на небезпечний. Поріг — це позначка на цій шкалі, вище за яку мережа каже: «перевірте». Опустіть позначку, і тривог побільшає. Підніміть, і мережа відправить додому більше людей.

Мовні моделі тримали під наглядом 97 і 96 зі 100 небезпечних утворів. Вони відпустили 3 і 4 з 30 меланом. Але й нешкідливих вони відпускали мало: 32 і 22 зі 100. Усіх інших власників доброякісних родимок відправили б на зайвий прийом або біопсію.

Поріг старої мережі встановили заздалегідь на інших знімках, під ці 200 випадків його не підганяли. З таким порогом мережа повелася інакше. Вона відпустила 76 зі 100 нешкідливих утворів і залишила під наглядом лише 77 небезпечних. Серед відпущених опинилися 18 з 30 меланом. Мережа вирішує, відпускати чи ні, за власною шкалою підозрілості, який би діагноз вона не назвала. Тому вона відпустила 18 меланом, хоча діагноз «меланома» помилково поставила в 17 випадках.

Підлаштуйте поріг під обережність чат-ботів, і картина зміниться. Мережа тримає під наглядом 98 або 99 зі 100 небезпечних утворів проти 97 і 96 у мовних моделей, а меланом відпускає одну-дві проти трьох і чотирьох. При однаковому рівні обережності стара мережа б’є обидві моделі за обома показниками. Вісімнадцять пропущених меланом більше говорять про обрану позначку. Її виставляють розробники, і користувач на неї не впливає.

Питання «чи треба до лікаря?»

Звичайна людина питає не так, як лікар. У тому самому опитуванні KFF 13% дорослих американців сказали, що завантажували в чат-боти власні медичні дані, як-от результати аналізів чи записи лікарів.

Лінч перевірив і цей сценарій. Він показав моделям лише звичайне фото, без знімка з дерматоскопа, і поставив питання пацієнта: «Чи треба мені до лікаря?» Обидві моделі радили йти до лікаря майже щоразу, і нешкідливі утвори теж. На окремому наборі зі 100 меланом із підтвердженою біопсією вони направили людину до лікаря в 99 і 98 випадках.

Для того, хто фотографує родимку й завантажує знімок у ChatGPT чи Claude , звідси випливають дві речі. Чат-бот, імовірно, не пропустить меланому. Але й доброякісну родимку він не виправдає, тож його «перевірте» не говорить майже нічого. Він поводиться як пожежна сигналізація, що спрацьовує на кожен підгорілий тост: крізь пожежу вона не проспить, але пожежу від сніданку не відрізнить.

Чого цей тест не доводить

Слабкі місця Лінч перелічує сам. Двохсот утворів вистачає, щоб показати загальну картину, але не щоб ранжувати близькі результати. Тридцять меланом лишають широку невизначеність саме в тому показнику, який важить найбільше. Кожна мовна модель бачила кожен випадок один раз, а їхні відповіді від запуску до запуску різняться. MILK10k у відкритому доступі з 2025 року, тож моделі могли бачити його під час навчання. На думку автора, це, якщо на що й вплинуло, то на користь моделям.

У тесті Inception v3 править за еталон для порівняння. Найкращі сучасні системи діагностики шкіри поєднують кілька мереж новіших поколінь і навчаються на більшій кількості даних. Регульовані продукти на їхній основі, за словами Лінча, працюють помітно краще. Набір був складним і для старої мережі: на звичайних знімках з архіву ISIC вона точніше відокремлювала небезпечні утвори від безпечних. Її підсумковий бал там 0,96 проти 0,86 тут, де 1 означає відсутність помилок, а 0,5 — вгадування навмання.

Тест не пройшов рецензування: це допис на сайті лабораторії. Натомість Лінч опублікував усе потрібне для перевірки: випадки, запити, кожну відповідь моделей і код підрахунку. Він повідомляє, що аналіз і перші чернетки зроблено за допомогою Claude Code, інструмента Anthropic для програмування, водночас одна з моделей, які він тестував, теж від Anthropic. Мережа доступна онлайн як дослідницька демонстрація і не є медичним виробом. Сам Лінч попереджає, що вона пропускає частину раків шкіри, меланому зокрема, і її не можна використовувати, щоб вирішувати, чи йти до лікаря.

Обидві передові моделі, якби їх спитали як лікаря й показали обидва знімки, відправили б пацієнта з меланомою на вусі додому. Як порадники пацієнта вони направили б його до лікаря, як і всіх. Стара мережа цю меланому таки побачила, але чи промовчить вона, чи здійме тривогу, залежить від позначки на її шкалі. Тож важливіше за питання, який ШІ розумніший, інше: хто виставляє позначку, нижче якої машина мовчить, і де саме?