Una CNN de hace una década supera a GPT-6 Astra y Claude Fable 5.1 en la prueba de cáncer de piel de un dermatólogo

Una versión ajustada de Inception v3, una red de imágenes que Google publicó por primera vez en 2015, nombró el diagnóstico correcto para el 62% de 200 lesiones cutáneas comprobadas por biopsia, frente al 42% de GPT-6 Astra y Claude Fable 5.1, en una prueba del dermatólogo londinense Magnus Lynch [1]. El estudio de autor único se publicó el 25 de octubre de 2026 y no está revisado por pares [1].

¿Cómo configuró el dermatólogo la prueba?

Magnus Lynch, dermatólogo del Guy's Hospital, probó dos LLM de frontera y una CNN de hace una década en 200 lesiones cutáneas. Lynch es dermatólogo consultor y cirujano de Mohs en el Guy's Hospital y lector honorario en King's College London [1].

Extrajo 200 lesiones al azar de MILK10k, un conjunto de datos público publicado a través de la International Skin Imaging Collaboration en 2025, cada una mostrada como foto clínica e imagen dermatoscópica [1]. La mitad no debe darse de alta (30 melanomas, 25 carcinomas basocelulares, 25 carcinomas de células escamosas, 20 queratosis actínicas), la mitad son lunares inofensivos y queratosis seborreicas [1].

Cada lesión había sido biopsiada, lo que hace que el conjunto sea más difícil que los casos cotidianos, señala el autor [1]. Ambos LLM recibieron el mismo prompt en configuraciones predeterminadas y tuvieron que elegir uno de seis diagnósticos, dar una confianza y una segunda opción, y decir si la lesión podía darse de alta de forma segura [1].

La CNN se ajustó con 68.011 imágenes del ISIC Archive en una sola GPU H100, eliminando primero las 200 lesiones de prueba y todas las demás fotos de las mismas lesiones o pacientes [1]. Lynch escribe que la red se ajustó durante unos veinte minutos y es lo suficientemente pequeña como para ejecutarse en un navegador de teléfono [1].

¿Qué modelo diagnosticó las lesiones cutáneas con mayor precisión?

Inception v3 nombró el diagnóstico correcto en 125 de 200 lesiones, frente a 84 para GPT-6 Astra y 85 para Claude Fable 5.1. Permitiendo una segunda opción, la CNN alcanzó 173 de 200, frente a 134 y 138 para los dos LLM [1].

En los 30 melanomas, la CNN nombró 13 como su primera opción, frente a 8 para GPT-6 Astra y 11 para Claude Fable 5.1 [1]. Quedó a una de GPT-6 Astra en carcinoma basocelular y por detrás de ambos LLM en queratosis actínica [1].

Los LLM también mostraron respuestas favoritas: GPT-6 Astra llamó 75 lesiones carcinoma basocelular cuando 25 lo eran, incluidos 14 de los 30 melanomas, y Claude Fable 5.1 llamó 53 lesiones queratosis actínica cuando 20 lo eran [1].

¿Es la CNN también más segura al decidir quién puede irse a casa?

No en su configuración predeterminada. La propia tabla de Lynch muestra que la CNN dio de alta a 18 de 30 melanomas en su umbral predeterminado, frente a 3 y 4 para los LLM. También dio de alta 76 de las 100 lesiones inofensivas, frente a 32 y 22 para los LLM, que mantuvieron 97 y 96 de las 100 lesiones no seguras [1].

Según la tabla del autor, cuando el umbral de la CNN se iguala a la cautela de los LLM, mantuvo 98 o 99 de las 100 lesiones no seguras y dio de alta 2 o 1 melanomas [1]. Preguntado como paciente si necesitaban ver a un médico, ambos LLM dijeron que sí para 99 y 98 de otros 100 melanomas, y también para lesiones inofensivas [1].

¿Cuáles son los límites del estudio?

Lynch enumera las advertencias él mismo: números pequeños, una ejecución por caso de LLM, casos biopsiados inusualmente difíciles y posible contaminación de datos de entrenamiento para los LLM [1]. También enfatiza que Inception v3 es una línea base y que los productos regulados de cáncer de piel basados en modelos más nuevos funcionan considerablemente mejor [1].

Divulga que el análisis y los primeros borradores se produjeron con Claude Code, la herramienta de codificación de Anthropic, mientras que uno de los dos LLM probados también es de Anthropic [1]. La puntuación se hizo mediante script contra la histología, y los casos, prompts y respuestas se publican para descargar [1].

Nuestra lectura

Opinión: Lo más llamativo no es que un modelo estrecho supere a los chatbots generales al reconocer lesiones, sino lo desequilibrados que son los perfiles de error: los LLM sobrellaman cáncer y mantienen a casi todos, mientras que la CNN ajustada en su configuración predeterminada enviaría a casa la mayoría de los melanomas. La precisión y el triaje seguro son puntuaciones diferentes, y esta pequeña prueba no revisada es un recordatorio de informar ambas.

Lo que no pudimos verificar

• Los resultados provienen de una entrada de blog de autor único publicada el 25 de octubre de 2026 y no han sido revisados por pares; no volvimos a ejecutar los casos, prompts o código de puntuación publicados.
• Si la clasificación se mantiene en otras lesiones o en ejecuciones repetidas; cada caso de LLM se ejecutó una vez, las respuestas varían entre ejecuciones, y el autor dice que 200 lesiones no pueden clasificar resultados cercanos.
• Si GPT-6 Astra o Claude Fable 5.1 habían visto las imágenes de MILK10k en el entrenamiento; el conjunto de datos es público desde 2025 y el autor señala la contaminación como posible.
• Cómo se compara la CNN con productos regulados de cáncer de piel; el autor dice que los sistemas de vanguardia funcionan considerablemente mejor que su línea base Inception v3, pero no se probaron.