شبكة CNN من عام 2015 تتفوق على GPT-6 Astra وClaude Fable 5.1 في تشخيص سرطان الجلد

عرض طبيب جلدية على GPT-6 Astra وClaude Fable 5.1 200 آفة جلدية مؤكَّدة التشخيص نسيجيًا، وقارن نتائجهما بنتائج الشبكة الالتفافية Inception v3 التي نشرتها Google عام 2015 بعد إعادة تدريبها. اختارت نماذج LLM المتقدمة التشخيص الصحيح من بين ستة تشخيصات ممكنة في 84 و85 حالة من أصل 200، أي في 42%. أما شبكة CNN القديمة فأجابت إجابة صحيحة في 125 حالة (62%). واستغرقت إعادة التدريب نحو عشرين دقيقة على وحدة GPU واحدة من طراز H100.

كيف بُني اختبار الآفات الـ200

مصدر البيانات هو المجموعة المفتوحة MILK10k التي أصدرها التعاون الدولي للتصوير الجلدي (International Skin Imaging Collaboration) عام 2025. صُوّرت كل آفة مرتين: لقطة سريرية مقرَّبة، وأخرى بالمنظار الجلدي، أي عبر عدسة مكبِّرة مضاءة. اختار الباحث 200 حالة عشوائيًا، واقتصر على الحالات التي توجد لها نتيجة خزعة.

قُسمت العينة بالتساوي بين آفات لا يجوز ترك المريض معها دون متابعة، وآفات يمكن فيها صرف المريض بأمان:

• 30 ميلانوما؛
• 25 سرطانة قاعدية الخلايا؛
• 25 سرطانة حرشفية الخلايا، بما فيها داء بوين؛
• 20 تقرنًا شعاعيًا؛
• 50 وحمة حميدة (شامة)؛
• 50 تقرنًا دهنيًا.

وتكمن الصعوبة في أن الخزعة أُجريت للجميع، بمن فيهم أصحاب الآفات الحميدة. فإذا قرر الطبيب استئصال شامة، فهذا يعني أنها أثارت لديه شيئًا من الريبة، ولذلك يصعب تمييزها عن الآفة الخطرة أكثر من المعتاد.

تلقّت نماذج LLM الصورتين ولا شيء غيرهما. وصيغت الأسئلة كما كان الطبيب سيطرحها: أي التشخيصات الستة هو الأرجح (أو «غير متأكد»)، وبأي درجة من الثقة، وما التشخيص الذي يأتي في المرتبة الثانية، وهل يمكن صرف المريض دون علاج أو خزعة أو متابعة. وكان الموجّه (prompt) والإعدادات الافتراضية واحدًا للنموذجين، ولم يرفض أي منهما الإجابة.

ميلانوما في الأذن «سُرِّح» صاحبها إلى البيت

أبرز الحالات ميلانوما غازية في الأذن يقل سمكها عن 0,8 مم. فقد وصفها GPT-6 Astra وClaude Fable 5.1 بأنها تقرن دهني، أي آفة حميدة تشبه الثؤلول، وقالا إن المريض يمكن أن يُصرف. أما CNN فشخّصتها ميلانوما اعتمادًا على صورة المنظار الجلدي.

وثمة مثال آخر هو ميلانوما غازية شبه عديمة الصبغة وبالسمك نفسه. حدّدتها GPT-6 Astra على أنها سرطانة قاعدية الخلايا بثقة بلغت 95%، بينما شخّصها Claude Fable 5.1 وCNN تشخيصًا صحيحًا. وتعرّفت النماذج الثلاثة جميعًا على سرطانة قاعدية الخلايا في جذع رجل عمره 75 عامًا. وفي حالة التقرن الدهني في الساق، حسبه النموذجان اللغويان تقرنًا شعاعيًا، وحسبته CNN سرطانة حرشفية الخلايا. أخطأت جميعها، لكن أيًّا منها لم يقترح ترك الآفة دون اهتمام.

بنية قديمة في مواجهة نماذج شاملة كبيرة

اختار الباحث شبكة CNN ليست الأحدث عن قصد. فـInception v3 مدرَّبة مسبقًا على صور فوتوغرافية عادية، ثم أعاد الباحث تدريب جميع طبقاتها على 68 011 صورة بالمنظار الجلدي وصورة سريرية. وحذف من بيانات التدريب، بما فيها مجموعة التحقق، الآفات الـ200 المخصصة للاختبار، وكذلك جميع الصور الأخرى لهذه الآفات نفسها ولمرضاها أنفسهم. لم يرَ النموذج هذه الحالات، ولم تُضبط العتبة ولا اختيار النموذج بالاعتماد عليها. قيّمت CNN الصورتين ودمجت النتيجتين، مع منح الوزن الأكبر لصورة المنظار الجلدي، ثم اختارت من التشخيصات الستة نفسها.

يبدو أن الفارق يعود إلى التخصص: فالشبكة تستند إلى عشرات الآلاف من الأمثلة الموسومة لهذه المهمة تحديدًا، أما نماذج LLM فلديها معرفة عامة وموجّه فقط. كما أن النموذج صغير إلى درجة أنه يعمل بالكامل داخل متصفح الهاتف عبر WebGPU. وتبقى الصور على الجهاز، بينما يسحب زر المثال العشوائي بياناته من الآفات الـ200 نفسها.

ما الذي ينبغي التحقق منه قبل الاعتماد

الأرقام النهائية للاختبار:

• GPT-6 Astra وClaude Fable 5.1: 84 و85 تشخيصًا صحيحًا من أصل 200 (42%)؛
• Inception v3 (2015) بعد إعادة تدريبها على 68 011 صورة: 125 من أصل 200 (62%)؛
• زمن إعادة تدريب CNN: نحو عشرين دقيقة على وحدة H100 واحدة؛
• مجموعة البيانات: MILK10k، ISIC، 2025.

والخلاصة عملية للفرق التي تدمج نماذج LLM متعددة الوسائط في المنتجات الطبية. فالنموذج الشامل الذي يبدي ثقة مرتفعة (مثل 95% في إجابة خاطئة) ويوصي بـ«صرف المريض» أشد خطورة من دقة منخفضة على الورق. وقبل الإطلاق ينبغي مقارنة هذه الأنظمة بنموذج أساسي متخصص وضيق النطاق على عينة مستقلة مؤكَّدة بالخزعة، وحساب نسبة التوصيات الخاطئة بـ«يمكن الصرف» على حدة، والتحقق من عدم تداخل المرضى بين بيانات التدريب والاختبار. وشبكة CNN قوية أُعيد تدريبها وتتسع لها ذاكرة الهاتف ستكون نقطة مرجعية نزيهة لأي LLM في العيادة.