10年前のAI、皮膚がん診断でGPT-6とClaudeに勝る
英ガイズ病院の皮膚科医マグナス・リンチ氏が10月25日に公開した検証で、微調整した2015年のモデルInception v3は皮膚病変200件中125件で第1候補の診断が正解した。GPT-6 Astraは84件、Claude Fable 5.1は85件だった。
グーグルが2015年に発表した画像認識ニューラルネットワークが、皮膚病変の診断でOpenAIの「GPT-6 Astra」とAnthropicの「Claude Fable 5.1」を上回った。英ロンドンのガイズ病院の皮膚科専門医でモース手術医のマグナス・リンチ氏が10月25日（現地時間）に公開した検証によると、生検で確定診断された病変200件で、微調整したInception v3は第1候補の診断が62%正解だった。最新AIチャットボット2種はいずれも42%にとどまった。
ポイント
- H100 GPU 1基で約20分微調整したInception v3は、200件中125件で第1候補が正解。GPT-6 Astraは84件、Claude Fable 5.1は85件だった。
- メラノーマ（悪性黒色腫）30件の第1候補正解数は、Inception v3が13件、Claude Fable 5.1が11件、GPT-6 Astraが8件。
- チャットボットは危険な病変をほとんど見逃さなかったが、無害な病変の大半も診療継続が必要と判断した。
AIの皮膚がん診断をどう検証したか
リンチ氏は国際皮膚画像共同研究（ISIC）の公開データセット「MILK10k」から病変200件を無作為に抽出した。各病変には臨床接写画像とダーモスコピー画像が1枚ずつあり、良性を含む全件が病理組織検査で確定している。半数は帰宅させてはならない症例で、メラノーマ30件、基底細胞がん25件、有棘細胞がん25件、日光角化症20件。残りはほくろ（母斑）50件と脂漏性角化症50件である。
2種のチャットボットには画像2枚だけを渡し、既定設定で各1回、6つの診断から第1・第2候補と、治療や経過観察なしで帰宅させてよいかを尋ねた。どちらも回答を拒否しなかった。Inception v3はISICアーカイブの画像6万8011枚で微調整し、検証用の病変と同じ患者の画像はすべて学習から除いた。
GPT-6 AstraとClaude Fable 5.1の誤り方
誤りの傾向はモデルごとに異なる。GPT-6 Astraは実際の基底細胞がん25件をすべて当てた一方、75件を基底細胞がんと診断した。Claude Fable 5.1は53件を日光角化症としたが、実際は20件だった。有棘細胞がん25件では、Inception v3が16件、GPT-6 Astraが12件、Claude Fable 5.1が5件正解した。
| 項目 | GPT-6 Astra | Claude Fable 5.1 | Inception v3（CNN） |
|---|---|---|---|
| 第1候補の正解（200件中） | 84 | 85 | 125 |
| 第2候補までの正解（200件中） | 134 | 138 | 173 |
| メラノーマ正解（30件中） | 8 | 11 | 13 |
| 危険な病変を診療継続（100件中） | 97 | 96 | 77* |
| 安全な病変を帰宅判定（100件中） | 32 | 22 | 76* |
*Inception v3の事前設定のしきい値での結果。リンチ氏によると、しきい値を合わせるとInception v3は危険な病変98〜99件を診療継続とし、帰宅判定したメラノーマは2件または1件だった。GPT-6 Astraは3件、Claude Fable 5.1は4件である。
慎重さと正確さは別物
臨床写真1枚だけを示し、患者のように「医者に行くべきか」と尋ねた別の検証では、2種のチャットボットは生検で確定した別のメラノーマ100件のうち、それぞれ99件と98件で受診を勧めた。ただし無害な病変を含むほぼすべてのケースで同じ答えを返したという。
リンチ氏は「古いアーキテクチャの小さく古い専門ネットワークが、最先端のLLM 2種よりはるかによく皮膚病変を認識する」と結論づけた。一方で、メラノーマ30件は標本が少ないこと、生検症例は一般的なアーカイブ画像より難しいこと、チャットボットが公開データセットを学習していた可能性があることを限界に挙げた。分析と初稿にはAnthropicのClaude Codeを使ったと明かしている。
今後の焦点
リンチ氏は検証症例、プロンプト、チャットボットの全回答と採点コードを公開し、誰でも再現できるようにした。より多くのデータで学習した最新の画像トランスフォーマーのアンサンブルは、自身の基準モデルよりかなり高性能だとも指摘している。汎用チャットボットが越えるべき水準はさらに高いことになる。
よくある質問
ChatGPTやClaudeで皮膚がんを診断できるのか。今回の検証では、両モデルとも難しい生検症例の42%しか第1候補で正解できなかった。気になるほくろは専門医の診察が必要である。
Inception v3とは何か。グーグルの研究者が2015年12月の論文で発表した画像認識ネットワークだ。リンチ氏はこれを皮膚画像で微調整し、「意図的に最先端ではない」モデルだと説明している。
参考資料
- A 10-year-old CNN outperforms frontier LLMs for skin cancer diagnosis — Lynch Lab（2026年10月25日）
- MILK10k Benchmark — International Skin Imaging Collaboration
- Rethinking the Inception Architecture for Computer Vision — arXiv（2015年12月2日）
コメント 0
現在コメントの投稿は無効になっています。