10 年前的老 CNN，把 2026 年的前沿大模型比下去了

Magnus Lynch 是伦敦盖伊医院的皮肤科顾问医生，也是国王学院的荣誉 Reader。10 月 25 日他在自己的 lab 网站上发了一篇博客：他拿 200 个做过活检的皮肤皮损，去考了 GPT-6 Astra 和 Claude Fable 5.1——两个 2026 年 10 月能拿到的最强多模态大模型——然后又考了一个 2015 年的 Inception v3。

结果是老网络赢。200 个皮损六选一诊断，CNN 对 125 个（62%），GPT-6 Astra 对 84 个（42%），Claude Fable 5.1 对 85 个（42%）。老网络只微调了大约 20 分钟、单个 H100 GPU，用的是 ISIC Archive 上 68011 张皮肤镜和临床图像。

图1：200 个活检皮损的六选一诊断准确率。2015 年的 Inception v3 领先两个前沿大模型 20 个百分点

题目是怎么出的

200 个皮损来自 MILK10k——国际皮肤成像协会 2025 年公开的数据集，每个皮损都拍了两张：一张临床特写，一张皮肤镜下图像。Lynch 随机抽了 200 个，全部经组织病理确诊。其中 100 个是「不该放走」的：30 个黑色素瘤、25 个基底细胞癌、25 个鳞状细胞癌、20 个光化性角化；另外 100 个是「可以放走」的：50 个良性痣、50 个脂溢性角化。

关键在于：这 200 个全做过活检。换句话说，连良性痣都是医生觉得可疑、切下来化验过的——比普通门诊里的图像难。Lynch 把两张图直接喂给两个大模型，让它们从六个诊断里挑一个最可能的、给置信度、给第二个备选，再判断「这个病人能不能直接放走、不做活检不随访」。两个模型都用默认设置，都没拒答。

大模型错得很有规律

整体差距之外，更有意思的是错误模式。GPT-6 Astra 在 200 个皮损里把 75 个判成了基底细胞癌——但真正的基底细胞癌只有 25 个。其中包括 30 个黑色素瘤里的 14 个。Claude Fable 5.1 则把 53 个判成了光化性角化，真实的只有 20 个。每个大模型都有自己的「偏好答案」。

图2：GPT-6 Astra 把 14 个黑色素瘤误判成基底细胞癌；一例早期黑色素瘤被它以 95% 置信度判为 BCC

博客里有个让人不舒服的案例：一个不足 0.8 mm 厚的浸润性黑色素瘤，长在耳朵上。GPT-6 Astra 以 95% 的置信度判成基底细胞癌。另一个更早期的黑色素瘤，两个大模型都判成了脂溢性角化——一种无害的疣状增生——并建议病人可以离院。反而是那个老 CNN，两个都认成了黑色素瘤。

分病种看：黑色素瘤一选命中率，CNN 13/30，Claude 11/30，GPT-6 只有 8/30。基底细胞癌上 GPT-6 倒是全对（25/25），这也是它「偏爱 BCC」的来源。良性皮损上差距更大：良性痣 CNN 认出 37/50，GPT-6 只认出 16/50。

必须泼的冷水

Lynch 自己在文末列了一串 caveat，写得很诚实。200 个样本够看出模式，但不够给两个大模型排名次；30 个黑色素瘤样本量太小，不确定性很大。每个大模型只跑了一次，多次跑结果会变。MILK10k 是 2025 年公开的，大模型训练时可能见过——这一点上对大模型其实有利，对 CNN 不利。最关键的一条：Inception v3 不是 SOTA，真正受监管的皮肤癌 AI 产品用的是图像 Transformer 集成，效果比这个老网络好得多。

还有一个被很多人忽略的细节。如果按 CNN 自己预设的阈值做「放走 / 不放走」决策，它会错误放走 18 个黑色素瘤——比两个大模型（3 个、4 个）还危险。把阈值和大模型对齐之后，CNN 的放走数才降到 2 个或 1 个。所以这个故事不是「老 CNN 天下无敌」，而是：一个为皮肤图像专门训过的小网络，在诊断命名这件事上，比一个什么都见过的通用大模型靠谱；但在医疗决策的另一端（要不要放走病人），光靠准确率不够，还得看阈值和决策曲线。

附：Lynch 把所有病例、prompt、大模型回复和评分代码打包公开了，那个 CNN 小到可以直接在手机浏览器里用 WebGPU 跑。

来源

• Dr. Magnus Lynch, A 10-year-old CNN outperforms frontier LLMs for skin cancer diagnosis, https://lynchlab.net/llm-skin-cancer, 2026-10-25
• MILK10k 数据集（International Skin Imaging Collaboration, 2025），CC BY-NC
• Inception v3 原始论文：Szegedy et al., 2015

[关联推荐]

• 为什么 AI 医疗榜单第一，到了真实病人身上就翻车 — 榜单表现和临床表现之间那道鸿沟
• 给细胞做一门通用语言：1.12 亿个细胞训出的基础模型 — 生物医学里的「大模型 vs 专用小模型」路线之争
• AI 开始读 30 亿字母「天书」：基因组语言模型 GPN-Star — 另一个大模型闯进专业领域的案例