CNN de 2015 supera a GPT-6 Astra y Claude: 62% vs 42% en diagnóstico de piel
Un dermatólogo probó el diagnóstico de melanoma con IA en GPT-6 Astra, en Claude Fable 5.1 y en una red neuronal publicada en 2015, usando la misma foto. Los dos modelos de lenguaje más nuevos dijeron que era una verruga benigna y que el paciente podía irse a casa. La red vieja, mucho más chica, di
Veröffentlicht am 26. Oktober • Zuerst erschienen auf elsolitario.org
Ein Dermatologe testete die KI-gestützte Melanomdiagnose an GPT-6 Astra, an Claude Fable 5.1 und an einem 2015 veröffentlichten neuronalen Netz, und zwar mit demselben Foto. Die beiden neueren Sprachmodelle sagten, es sei eine gutartige Warze, und der Patient könne nach Hause gehen. Das alte, deutlich kleinere Netz diagnostizierte ein Melanom: die richtige Antwort.
Bei dem Experiment blieb es nicht bei einem Foto. Der Dermatologe prüfte alle drei Systeme anhand von 200 bioptisch bestätigten Hautläsionen und veröffentlichte die vollständigen Ergebnisse in seinem Blog, Lynch Lab.
Bei Inception v3 handelt es sich um ein Convolutional Neural Network, das Google 2015 veröffentlichte, um Bilder mittels aufeinanderfolgender Convolution-Schichten zu klassifizieren. Mit dermatologischen Fotografien fine-getunet, ist es das zentrale Werkzeug der KI-gestützten Melanomdiagnose, das ein Dermatologe mit zwei multimodalen Modellen der neuesten Generation an 200 realen Fällen verglich.
Die vom Dermatologen verwendete Version ist nicht das ursprüngliche Google-Netz. Sie startete von den auf generischen Fotos vortrainierten Gewichten und trainierte sie vollständig auf 68.011 dermoskopischen und klinischen Bildern aus dem ISIC Archive neu, und zwar auf einer einzigen GPU H100. Keine der 200 Testläsionen und auch keine anderen Fotos desselben Patienten oder derselben Läsion war Teil dieses Trainings oder der Validierung.
Für jede Läsion erhält das Modell zwei Bilder: ein mit einer gewöhnlichen Kamera aufgenommenes klinisches Foto und ein dermoskopisches Bild, aufgenommen mit der beleuchteten Lupe, die Dermatologen verwenden. Es kombiniert beide Bewertungen, gewichtet die dermoskopische stärker, und wählt zwischen sechs möglichen Diagnosen. Die Studie verglich 200 bioptisch bestätigte Hautläsionen in sechs verschiedenen Kategorien.
Der Dermatologe hinter Lynch Lab stellte für die drei Systeme einen fairen Test zusammen. Er nahm 200 Läsionen aus dem öffentlichen Datensatz MILK10k, der 2025 von der International Skin Imaging Collaboration veröffentlicht wurde, alle mit histopathologisch bestätigter Diagnose. Die Hälfte waren Läsionen, die ohne Biopsie nicht entlassen werden dürfen: 30 Melanome, 25 Basalzellkarzinome, 25 Plattenepithelkarzinome (einschließlich Morbus Bowen) und 20 aktinische Keratosen. Die andere Hälfte waren gutartige Läsionen, die entlassen werden können: 50 Naevi und 50 seborrhoische Keratosen.
GPT-6 Astra und Claude Fable 5.1 erhielten dieselben beiden Bilder jeder Läsion, ohne weiteren klinischen Kontext. Gefragt wurde nach der wahrscheinlichsten Diagnose aus sechs Optionen, oder direkt "ich bin nicht sicher", einem Konfidenzniveau, einer Zweitdiagnose und ob die Läsion ohne Biopsie und Nachsorge entlassen werden könne. Kein Modell lehnte einen Fall ab.
Das Gesamtergebnis war eindeutig. Inception v3 traf 125 von 200 Diagnosen (62 Prozent). GPT-6 Astra traf 84 (42 Prozent) und Claude Fable 5.1 traf 85 (42 Prozent).
Ein Netz, das an einem Nachmittag auf einer GPU fine-getunet wurde, übertraf die beiden leistungsfähigsten multimodalen Modelle des Oktobers 2026 um 20 Prozentpunkte. DiagnoseGPT-6 AstraClaude Fable 5.1Inception v3Melanom (30 Fälle)27%37%43%Basalzellkarzinom (25 Fälle)100%72%96%Plattenepithelkarzinom (25 Fälle)48%20%64%Aktinische Keratose (20 Fälle)50%60%45%Gutartiger Naevus (50 Fälle)32%66%74%Seborrhoische Keratose (50 Fälle)26%12%52% Der beunruhigendste Fall betrifft ein invasives Melanom am Ohr mit einer Dicke von weniger als 0,8 mm. Beide Bilder zeigten nur wenig Pigmentierung.
GPT-6 Astra und Claude Fable 5.1 bezeichneten es als seborrhoische Keratose und empfahlen, den Patienten ohne Biopsie zu entlassen. Inception v3 erkannte es anhand des dermoskopischen Bildes korrekt als Melanom.
In einem weiteren Fall, einem ebenso dünnen und wenig pigmentierten Melanom, klassifizierte GPT-6 Astra es mit 95 Prozent Konfidenz als Basalzellkarzinom. Claude Fable 5.1 und Inception v3 sagten hingegen Melanom. Es gab auch einen Fall, in dem alle drei versagten: eine gutartige seborrhoische Keratose, die die beiden LLMs mit einer aktinischen Keratose verwechselten und die CNN mit einem Plattenepithelkarzinom. Dort war der Fehler billiger, denn keines der drei Systeme hätte die Läsion entlassen.
💭 Schlüsselpunkt: Alle 200 Läsionen, auch die gutartigen, waren biopsiert worden, weil zuvor ein Arzt Verdacht geschöpft hatte. Das Experiment misst den schlechtesten Fall, nicht den typischen Leberfleck, der nie in die Sprechstunde kommt.
Inception v3 ist keine Neuheit. Google veröffentlichte sie 2015 als architektonische Weiterentwicklung ihres eigenen ursprünglichen Inception-Netzes, gedacht für die Teilnahme an ImageNet, einem Wettbewerb zur Klassifikation generischer Fotos (Katzen, Autos, Instrumente), nicht von Haut. Ein Jahrzehnt Nutzung machte sie zu einer der am besten erprobten Architekturen für Fine-tuning bei kleinen Vision-Aufgaben, weil man nichts Neues erfinden muss: Man trainiert ihre letzten Schichten einfach mit dem eigenen Datensatz neu, fertig.
Die multimodalen Sprachmodelle kamen später mit einem anderen Versprechen: ein einziges System, das Text, Bilder und klinischen Kontext gleichzeitig versteht, ohne einen Datensatz mit 68.000 Fotos zusammenzustellen oder eine dedizierte GPU zu bezahlen. GPT-6 Astra und Claude Fable 5.1 sind im Oktober 2026 zwei der leistungsfähigsten öffentlich verfügbaren multimodalen Modelle. Aber keines von beiden wurde speziell darauf trainiert, sechs Arten von Hautläsionen zu unterscheiden: Sie haben Dermatologie aus derselben Internetmischung gelernt, aus der sie alles andere gelernt haben.
Der Vorteil von Inception v3 rührt nicht daher, dass sie größer ist. Er rührt daher, dass ihr Antwortraum winzig ist, nur sechs Klassen, und jedes Trainingsbeispiel genau diese Entscheidungsgrenze verstärkt. Ein generalistisches multimodales Modell verteilt seine Kapazität auf Tausende mögliche Aufgaben. Wenn es ein dermoskopisches Bild sieht, aktiviert es Repräsentationen, die aus ganz allgemeinen Internetfotos gelernt wurden, nicht aus einem von Dermatologen kuratierten Datensatz.
flowchart TD A [ "Foto clinica" ] -- > C [ "Modelo de clasificacion" ] B [ "Imagen dermoscopica" ] -- > C C -- > D [ ( "Diagnostico entre 6 categorias" ) ] subgraph Decision C D end Enter fullscreen mode Exit fullscreen mode Das Fine-tuning ist auch wegen der Fehlerart wichtig, die es erzeugt. Beim Neutraining aller Schichten von Inception v3 auf klinischen und dermoskopischen Bildern passen die Gradienten direkt die Filter an, die unregelmäßige Ränder, Asymmetrie und Farbvariation erkennen: die Signale, nach denen ein Dermatologe bei der Dermoskopie mit bloßem Auge sucht. Ein multimodales LLM beschreibt das Bild dagegen mit demselben Aufmerksamkeitsprozess, mit dem es einen Screenshot oder ein Meme liest. Es gibt keine dedizierte Schicht, die die Asymmetrie eines Leberflecks gewichtet.
Das heißt nicht, dass LLMs in der Gesundheit nichts taugen. GPT-6 Astra erkannte 100 Prozent der Basalzellkarzinome, besser als die CNN. Der Unterschied liegt in den Kosten der Fehler: Ein übersehenes Basalzellkarzinom tötet fast niemanden, wenn es später entdeckt wird, aber ein übersehenes Melanom durchaus.
Die KI-gestützte Melanomdiagnose braucht, um klinisch nützlich zu sein, Spezialisierung, nicht nur Parametergröße. Dasselbe Muster zeigte sich bereits in der Radiologie, wo Modelle, die auf das Lesen von Röntgenthoraxaufnahmen trainiert wurden, Generalisten bei der Sensitivität für seltene Befunde übertreffen, auch wenn sie bei natürlicher Konversation verlieren.
Das Neutraining eines Netzes wie Inception v3 für eine neue Aufgabe ist nicht teuer. Es lief auf einer einzigen GPU H100 und verwendete einen öffentlichen Datensatz: nichts, was ein kleines Data-Team nicht replizieren könnte. Der Bau eines multimodalen LLM in der Größenordnung von GPT-6 Astra oder Claude Fable 5.1 erfordert dagegen die Infrastruktur eines Frontier-Labors. Die Paradoxie ist, dass sich das technisch am besten zugängliche Werkzeug als das präziseste bei der risikoreichsten Aufgabe erwies.
Der Dermatologe hat eine öffentliche Demo des Modells freigegeben, das vollständig im Browser mit WebGPU läuft, ohne dass ein Foto auf einen Server hochgeladen wird, und erlaubt es, zufällige Läsionen aus demselben Satz von 200 Fällen zu testen. Es ist der direkteste Weg, den Unterschied zwischen einem spezialisierten Klassifikator und einem generischen LLM zu sehen, ohne etwas zu installieren.
Was es noch nicht gibt, ist eine vergleichbare, speziell für diese Aufgabe trainierte Version innerhalb von GPT-6 Astra oder Claude Fable 5.1. Keines der beiden Labore hat zum Zeitpunkt dieses Artikels Pläne für spezialisiertes medizinisches Fine-tuning für Dermatologie angekündigt. Solange das nicht geschieht, ändert sich die praktische Empfehlung für eine Klinik nicht: Ein kleines fine-getunetes Modell bleibt die sicherste Option für die Klassifikation medizinischer Bilder, und ein multimodales LLM dient als konversationelle Unterstützung, nicht als Biopsieleser.
Probier es aus: Öffne die Demo der CNN im Blog von Lynch Lab und vergleiche dein eigenes Urteil mit den drei Klassifikationen, bevor du einem Chatbot vertraust, eine Hautläsion zu bewerten.
Es ist ein Convolutional Neural Network, das Google 2015 veröffentlichte. Der Dermatologe von Lynch Lab trainierte alle seine Schichten mit 68.011 dermatologischen Bildern aus dem ISIC Archive neu, und zwar auf einer einzigen GPU H100, um daraus einen Klassifikator für sechs Arten von Hautläsionen zu machen.
Sie dürfen eine Meinung haben, aber in diesem Test trafen sie die richtige Diagnose nur in 42 Prozent von 200 biopsierten Läsionen, gegenüber 62 Prozent der spezialisierten CNN. Beide versagten specifically dabei, Melanom von gutartiger seborrhoischer Keratose zu unterscheiden.
Es handelt sich um einen im Jahr 2025 von der International Skin Imaging Collaboration veröffentlichten öffentlichen Datensatz zu Hautläsionen, der für jeden Fall klinische und dermoskopische Fotos enthält, die per Biopsie bestätigt wurden.
Weil ihr Antwortraum nur sechs Klassen umfasst und das gesamte Training diese Entscheidungsgrenze immer wieder verstärkt. Ein für Melanome feinabgestimmtes Vision-Modell passt spezielle Filter für Asymmetrie und unregelmäßige Ränder an; ein generalistisches LLM verteilt seine Kapazität auf Tausende unterschiedliche Aufgaben.
Nicht ganz. GPT-6 Astra traf 100 Prozent der Basalzellkarzinome der Studie und war damit besser als die CNN. Der Punkt ist, dass eine Hochrisiko-Aufgabe ein spezialisiertes Modell braucht, kein generisches, und sei es noch so groß.
Ja. Es läuft vollständig im Browser über WebGPU, ohne dass Fotos auf einen Server hochgeladen werden, und ermöglicht es, zufällig Läsionen aus demselben Satz von 200 Fällen auszuwählen, der auch für den Test verwendet wurde.
📱 Du magst diese Inhalte? Tritt unserem Telegram-Kanal @programacion bei, wo wir täglich das Wichtigste aus Technologie, KI und Entwicklung veröffentlichen. Schnelle Zusammenfassungen, frische Inhalte jeden Tag.
Automatisch übersetzt. Das Original auf Englisch ist unten aufklappbar.
Original (Englisch) anzeigen
Posted on Oct 26 • Originally published at elsolitario.org
Un dermatólogo probó el diagnóstico de melanoma con IA en GPT-6 Astra, en Claude Fable 5.1 y en una red neuronal publicada en 2015, usando la misma foto. Los dos modelos de lenguaje más nuevos dijeron que era una verruga benigna y que el paciente podía irse a casa. La red vieja, mucho más chica, dijo melanoma: la respuesta correcta.
El experimento no se quedó en una foto. El dermatólogo probó los tres sistemas contra 200 lesiones de piel confirmadas por biopsia y publicó los resultados completos en su blog, Lynch Lab.
Inception v3 es una red neuronal convolucional que Google publicó en 2015 para clasificar imágenes por capas de convolución. Fine-tuneada con fotografías dermatológicas, es la herramienta central del diagnóstico de melanoma con IA que un dermatólogo comparó contra dos modelos multimodales de última generación en 200 casos reales.
La versión que usó el dermatólogo no es la red original de Google. Partió de los pesos preentrenados en fotos genéricas y los reentrenó por completo en 68.011 imágenes dermoscópicas y clínicas del ISIC Archive, usando una sola GPU H100. Ninguna de las 200 lesiones de prueba, ni otras fotos del mismo paciente o la misma lesión, estuvo en ese entrenamiento ni en la validación.
Para cada lesión, el modelo recibe dos imágenes: una foto clínica tomada con cámara común y una imagen dermoscópica, capturada con la lupa iluminada que usan los dermatólogos. Combina ambas puntuaciones, con más peso en la dermoscópica, y elige entre seis diagnósticos posibles. El estudio comparó 200 lesiones de piel confirmadas por biopsia en seis categorías distintas.
El dermatólogo detrás de Lynch Lab armó un examen parejo para los tres sistemas. Tomó 200 lesiones del dataset público MILK10k, liberado por la International Skin Imaging Collaboration en 2025, todas con diagnóstico confirmado por histopatología. La mitad eran lesiones que no se pueden dar de alta sin biopsia: 30 melanomas, 25 carcinomas basocelulares, 25 carcinomas escamosos (incluida la enfermedad de Bowen) y 20 queratosis actínicas. La otra mitad eran lesiones benignas que sí se pueden dar de alta: 50 nevos y 50 queratosis seborreicas.
A GPT-6 Astra y a Claude Fable 5.1 se les dieron las mismas dos imágenes de cada lesión, sin más contexto clínico. Se les pidió el diagnóstico más probable entre seis opciones, o directamente "no estoy seguro", un nivel de confianza, una segunda opción y si la lesión se podía dar de alta sin biopsia ni seguimiento. Ningún modelo rechazó ningún caso.
El resultado agregado fue claro. Inception v3 acertó 125 de 200 diagnósticos (62%). GPT-6 Astra acertó 84 (42%) y Claude Fable 5.1 acertó 85 (42%).
Una red fine-tuneada en una tarde de GPU superó por 20 puntos porcentuales a los dos modelos multimodales más capaces de octubre de 2026. DiagnósticoGPT-6 AstraClaude Fable 5.1Inception v3Melanoma (30 casos)27%37%43%Carcinoma basocelular (25 casos)100%72%96%Carcinoma escamoso (25 casos)48%20%64%Queratosis actínica (20 casos)50%60%45%Nevo benigno (50 casos)32%66%74%Queratosis seborreica (50 casos)26%12%52% El caso que más preocupa es uno de melanoma invasivo en la oreja, de menos de 0,8 mm de espesor. Las dos imágenes mostraban poca pigmentación.
GPT-6 Astra y Claude Fable 5.1 lo llamaron queratosis seborreica y recomendaron dar de alta al paciente sin biopsia. Inception v3, mirando la imagen dermoscópica, lo identificó correctamente como melanoma.
En otro caso, un melanoma igual de fino y con poco pigmento, GPT-6 Astra lo clasificó como carcinoma basocelular con 95% de confianza. Claude Fable 5.1 e Inception v3 sí dijeron melanoma. Hubo también un caso donde los tres fallaron: una queratosis seborreica benigna que los dos LLM confundieron con queratosis actínica y la CNN con carcinoma escamoso. Ahí el error salió más barato, porque ninguno de los tres habría dado de alta la lesión.
💭 Clave: Todas las 200 lesiones, incluidas las benignas, habían sido biopsiadas porque algún médico sospechó de ellas antes. El experimento mide el peor escenario, no el lunar típico que nunca llega a consulta.
Inception v3 no es una novedad. Google la publicó en 2015 como una mejora de arquitectura sobre su propia red Inception original, pensada para competir en ImageNet, un concurso de clasificación de fotos genéricas (gatos, autos, instrumentos), no de piel. Una década de uso la convirtió en una de las arquitecturas más probadas para hacer fine-tuning en tareas de visión chicas, porque ya no hay que inventar nada nuevo: se reentrenan sus capas finales con el dataset propio y listo.
Los modelos de lenguaje multimodales llegaron después con una promesa distinta: un solo sistema que entiende texto, imágenes y contexto clínico a la vez, sin armar un dataset de 68.000 fotos ni pagar una GPU dedicada. GPT-6 Astra y Claude Fable 5.1 son, en octubre de 2026, dos de los modelos multimodales más capaces disponibles al público. Pero ninguno de los dos fue entrenado específicamente para diferenciar seis tipos de lesión de piel: aprendieron dermatología de la misma mezcla de internet con la que aprendieron todo lo demás.
La ventaja de Inception v3 no viene de ser más grande. Viene de que su espacio de respuestas es minúsculo, apenas seis clases, y cada ejemplo de entrenamiento refuerza exactamente esa frontera de decisión. Un modelo multimodal generalista reparte su capacidad entre miles de tareas posibles. Cuando ve una imagen dermoscópica activa representaciones aprendidas de fotos de internet en general, no de un dataset curado por dermatólogos.
flowchart TD A [ "Foto clinica" ] -- > C [ "Modelo de clasificacion" ] B [ "Imagen dermoscopica" ] -- > C C -- > D [ ( "Diagnostico entre 6 categorias" ) ] subgraph Decision C D end Enter fullscreen mode Exit fullscreen mode El fine-tuning también importa por el tipo de error que produce. Al reentrenar todas las capas de Inception v3 sobre imágenes clínicas y dermoscópicas, el gradiente ajusta directamente los filtros que detectan bordes irregulares, asimetría y variación de color: las señales que un dermatólogo busca a simple vista en la dermoscopia. Un LLM multimodal, en cambio, describe la imagen con el mismo proceso de atención que usa para leer una captura de pantalla o un meme. No hay una capa dedicada a pesar la asimetría de un lunar.
Esto no significa que los LLM no sirvan para nada en salud. GPT-6 Astra acertó el 100% de los carcinomas basocelulares, mejor que la CNN. La diferencia está en el costo de los errores: fallar un carcinoma basocelular casi nunca mata a nadie si se agarra después, pero fallar un melanoma sí puede.
El diagnóstico de melanoma con IA, para ser clínicamente útil, necesita especialización, no solo tamaño de parámetros. El mismo patrón ya se vio en radiología, donde modelos entrenados para leer placas de tórax superan a los generalistas en sensibilidad para hallazgos raros, aunque pierdan en conversación natural.
Reentrenar una red como Inception v3 para una tarea nueva no es caro. Corrió en una sola GPU H100 y usó un dataset público: nada que un equipo de datos chico no pueda replicar. Construir un LLM multimodal de la escala de GPT-6 Astra o Claude Fable 5.1, en cambio, exige la infraestructura de un laboratorio de frontera. La paradoja es que la herramienta técnicamente más accesible resultó ser la más precisa en la tarea de mayor riesgo.
El dermatólogo liberó una demo pública del modelo que corre entera en el navegador con WebGPU, sin subir ninguna foto a un servidor, y deja probar lesiones al azar del mismo set de 200 casos. Es la forma más directa de ver la diferencia entre un clasificador especializado y un LLM genérico sin instalar nada.
Lo que todavía no existe es una versión comparable entrenada específicamente para esta tarea dentro de GPT-6 Astra o Claude Fable 5.1. Ninguno de los dos laboratorios anunció planes de fine-tuning médico especializado para dermatología a la fecha de esta nota. Mientras eso no pase, la recomendación práctica para una clínica no cambia: un modelo chico fine-tuneado sigue siendo la opción más segura para clasificación de imágenes médicas, y un LLM multimodal sirve como apoyo conversacional, no como lector de biopsias.
Probalo vos: abrí la demo del CNN en el blog de Lynch Lab y compará tu propio criterio contra las tres clasificaciones antes de confiar en un chatbot para leer una lesión de piel.
Es una red neuronal convolucional que Google publicó en 2015. El dermatólogo de Lynch Lab reentrenó todas sus capas con 68.011 imágenes dermatológicas del ISIC Archive, usando una sola GPU H100, para convertirla en un clasificador de seis tipos de lesión de piel.
Pueden dar una opinión, pero en esta prueba acertaron el diagnóstico correcto en solo 42% de 200 lesiones biopsiadas, frente a 62% de la CNN especializada. Ambos fallaron específicamente en distinguir melanoma de queratosis seborreica benigna.
Es un dataset público de lesiones de piel liberado en 2025 por la International Skin Imaging Collaboration, con fotos clínicas y dermoscópicas de cada caso, confirmadas por biopsia.
Porque su espacio de respuestas es de solo seis clases y todo su entrenamiento refuerza esa frontera de decisión. Un modelo de visión para melanoma fine-tuneado ajusta filtros específicos para asimetría y bordes irregulares; un LLM generalista reparte su capacidad entre miles de tareas distintas.
No del todo. GPT-6 Astra acertó el 100% de los carcinomas basocelulares del estudio, mejor que la CNN. El punto es que la tarea de alto riesgo necesita un modelo especializado, no uno genérico, aunque sea más grande.
Sí. Corre completo en el navegador vía WebGPU, sin subir fotos a ningún servidor, y permite elegir lesiones al azar del mismo set de 200 casos usado en la prueba.
📱 ¿Te gusta este contenido? Únete a nuestro canal de Telegram @programacion donde publicamos a diario lo más relevante de tecnología, IA y desarrollo. Resúmenes rápidos, contenido fresco todos los días.