皮肤癌诊断 十年前CNN击败GPT-6 Astra

时间：2026年10月25日（作者博客发布当日在 Hacker News 引发讨论，10月26日凌晨热度继续上升） 地点：英国伦敦，Guy's Hospital 与 King's College London（作者所在机构） 人物：Magnus Lynch 医生（皮肤科顾问医生、Mohs 外科医生，King's College London 荣誉研究员） 事件详情：皮肤科医生 Magnus Lynch 用 200 个经活检确诊的皮肤病变，同时测试 GPT-6 Astra 与 Claude Fable 5.1 这两款 2026 年 10 月可用的最强通用模型，以及一个 2015 年发布的 Inception v3 卷积神经网络。他的结论是：两个前沿模型各自只答对 42%，而那个十年前的 CNN 答对 62%。 测试集取自 MILK10k，这是 2025 年通过国际皮肤成像协作组织发布的公开数据集，包含 5,240 个病变，每个都拍两张：一张临床特写，一张皮肤科医生用的带放大照明镜的皮肤镜图像。Lynch 随机抽取 200 个并经组织病理确认：100 个是不该放行的病例，含 30 个黑色素瘤、25 个基底细胞癌、25 个鳞状细胞癌（含 Bowen 病）、20 个日光性角化病；另外 100 个是可以放行的，含 50 个良性痣和 50 个皮脂腺角化病。所有病变都做了活检，连良性病例也切了，所以难度高于普通档案里的样本。 作为对照的 CNN 刻意选得保守：Inception v3 是 Google 2015 年提出的架构，先用日常照片预训练，再在 ISIC Archive 的 68,011 张皮肤镜与临床图像上全层微调，单张 H100 训练约二十分钟。测试用的 200 个病变以及同一病变、同一位患者的其他照片在训练前已从数据中剔除，验证集也一并移除，且未参与选模型或定阈值。最终 CNN 以皮肤镜图像为主权重综合两张图，从同样的六个诊断中作答。 结果是首选诊断正确数：CNN 125 例（62%），GPT-6 Astra 84 例（42%），Claude Fable 5.1 85 例（42%）。允许第二选项后，CNN 173 例，两个 LLM 分别 134 例和 138 例。30 个黑色素瘤里首选 melanoma 的，CNN 13 例，Astra 8 例，Fable 11 例。100 个本该留治的病变被放行的情况，Astra 97 例、Fable 96 例，CNN 在预设阈值下 77 例、阈值对齐后 98 或 99 例；100 个安全病变被放行的，Astra 32 例、Fable 22 例、CNN 76 例；30 个黑色素瘤被误放行的，Astra 3 例、Fable 4 例、CNN 18 例。 三者错得也不一样：Astra 把 75 个病变判成基底细胞癌，而实际只有 25 个，其中把 30 个黑色素瘤中的 14 个误判进去；Fable 把 53 个判成日光性角化病，实际只有 20 个。CNN 在黑色素瘤上的错误方向相反，17 个错判里 8 个判成痣、6 个判成皮脂腺角化病。作者表示 CNN 已在浏览器里可用 WebGPU 本地跑起来，不上传任何数据。Lynch 个人站在 10 月 11 日发布的同主题长文只记录了两个前沿模型的对战，CNN 这一组对比是 10 月 25 日 Lynch Lab 博客新增的内容。 背景：这与皮肤癌 AI 的既有研究结论方向一致。2026 年发表于 PMC 的英国西北部一家三级医院皮肤科前瞻性观察研究，针对英国国民医疗服务体系皮肤癌转诊路径中实际使用的 DERM 算法，统计了转诊头三个月的全部评估：AI 敏感度 95.3%，高于皮肤科医生的 88.5%（P 等于 0.006），但阳性预测值只有 46.5%，低于医生的 62.1%；在 318 例 AI 判定无需人工复核、最终仍由皮肤科医生看诊并活检的评估中，AI 给出的精确诊断正确率只有 28.6%，医生的对应比例为 61.6%（P 小于 0.001）；正确识别肿瘤类型的比例为 AI 51.4%、医生 75.5%；在 AI 判定为良性、可直接放行而未经真人复核的病例中，最终有四例查出癌症。这项研究本身也强调，AI 给临床医生的诊断信息准确率偏低，存在自动化偏见风险。 影响：这条结果给通用大模型在垂直专业领域的定位提供了一个具体反例：一个为单一窄任务训练的旧模型，在正确数据上训练二十分钟，就能压过两个前沿通用模型。作者本人并未把它当作对医疗 AI 的判决，他说明现代皮肤癌 AI 用的都是数据更多、集成图像 Transformer 的方案，受监管审批的产品表现要好得多，他也强调本次样本只有 200 个、黑色素瘤仅 30 个、每个 LLM 只跑一次。另一个必须点明的限制是数据污染风险，MILK10k 自 2025 年起就是公开数据集，两个模型可能在训练中见过这批图像。因此这条更接近一份带证据的公开基准演示，而不是对模型医疗能力的定论。 总结：200 个活检确诊病变、同一套提示、默认参数、六个诊断选项，2015 年的 Inception v3 以 62% 对 42% 赢下 GPT-6 Astra 与 Claude Fable 5.1。它提示的是一件事，在皮肤影像这种数据明确、任务边界清晰的场景里，专用窄模型依然比通用前沿模型更值得信任，而大模型的进步主要体现在推理与通用任务上，并未自动迁移成专科诊断精度。 参考来源： Lynch Lab 原始测试博客：https://lynchlab.net/llm-skin-cancer 作者个人站长文（仅含 LLM 对战）：https://www.drmagnuslynch.com/can-llms-diagnose-skin-cancer explainx 事实核查与数据拆解：https://explainx.ai/blog/cnn-beats-gpt-6-astra-claude-fable-5-1-skin-cancer-diagnosis-lynch-2026 Hacker News 讨论帖：https://news.ycombinator.com/item?id=50233779 作者提供的浏览器端 CNN 演示：https://lynchlab.net/skin-ai-inception MILK10k 数据集 DOI：https://doi.org/10.34970/648456 英国 NHS 皮肤癌 AI 真实世界研究：https://pmc.ncbi.nlm.nih.gov/articles/PMC13425094/