Una CNN de 2015 supera a GPT-6 Astra y Claude Fable 5.1 en el diagnóstico del cáncer de piel

Un dermatólogo pasó por GPT-6 Astra y Claude Fable 5.1 200 lesiones cutáneas con diagnóstico confirmado por histología y comparó los resultados con una red convolucional Inception v3 reentrenada, que Google publicó en 2015. Los LLM de vanguardia eligieron el diagnóstico correcto entre seis posibles en 84 y 85 de los 200 casos, es decir, el 42%. La vieja CNN acertó en 125 casos (62%). El reentrenamiento llevó unos veinte minutos en una sola GPU H100.

Cómo se montó la prueba con 200 lesiones

La fuente de datos es el conjunto abierto MILK10k, que International Skin Imaging Collaboration publicó en 2025. Cada lesión está fotografiada dos veces: en primer plano clínico y con dermatoscopio, es decir, a través de una lupa con iluminación. El autor eligió 200 casos al azar y se quedó solo con aquellos que tenían resultado de biopsia.

La muestra se divide a partes iguales entre lesiones que no se pueden dejar sin seguimiento y lesiones con las que se puede dar el alta al paciente con tranquilidad:

• 30 melanomas;
• 25 carcinomas basocelulares;
• 25 carcinomas espinocelulares, incluida la enfermedad de Bowen;
• 20 queratosis actínicas;
• 50 nevus benignos (lunares);
• 50 queratosis seborreicas.

La dificultad está en que a todas las lesiones se les hizo biopsia, también a las benignas. Si se decidió extirpar un lunar, algo en él inquietó al médico, y distinguirlo de uno peligroso resulta más difícil de lo habitual.

Los LLM recibieron las dos imágenes y nada más. Las preguntas se formularon como las haría un médico: cuál de los seis diagnósticos es más probable (o "no estoy seguro"), con qué grado de confianza, qué opción queda en segundo lugar y si se puede dar el alta al paciente sin tratamiento, biopsia ni seguimiento. El prompt y los ajustes por defecto fueron idénticos para ambos modelos, y ninguno se negó a responder.

El melanoma en la oreja que mandaron a casa

El caso más revelador es un melanoma invasivo en la oreja de menos de 0,8 mm de grosor. GPT-6 Astra y Claude Fable 5.1 lo identificaron como queratosis seborreica, una lesión verrugosa inofensiva, y afirmaron que se podía dar el alta al paciente. La CNN, a partir de la imagen dermatoscópica, diagnosticó melanoma.

Otro ejemplo es un melanoma invasivo casi sin pigmento y del mismo grosor. GPT-6 Astra lo clasificó como carcinoma basocelular con un 95% de confianza, mientras que Claude Fable 5.1 y la CNN acertaron. Los tres modelos reconocieron un carcinoma basocelular en el tronco de un hombre de 75 años. Una queratosis seborreica en la pierna fue confundida por ambos LLM con una queratosis actínica, y por la CNN con un carcinoma espinocelular. Fallaron todos, pero ninguno propuso dejar la lesión sin atención.

Una arquitectura antigua frente a los grandes generalistas

A propósito, no se eligió la CNN más moderna. Inception v3 viene preentrenada con fotografías corrientes, y después el autor reentrenó todas sus capas con 68 011 imágenes dermatoscópicas y clínicas. De los datos de entrenamiento, incluida la muestra de validación, eliminó las 200 lesiones de prueba y todas las demás imágenes de esas mismas lesiones y de esos mismos pacientes. El modelo no las vio, y ni el umbral ni la selección del modelo se ajustaron con ellas. La CNN evaluaba ambas imágenes, combinaba los resultados dando el mayor peso a la dermatoscópica y elegía entre los mismos seis diagnósticos.

La diferencia se explica, al parecer, por la especialización: la red cuenta con decenas de miles de ejemplos etiquetados de esta tarea concreta, mientras que los LLM solo tienen conocimiento general y un prompt. Además, el modelo es tan pequeño que funciona por completo en el navegador de un teléfono mediante WebGPU. Las imágenes permanecen en el dispositivo, y el botón de ejemplo aleatorio toma los datos de las mismas 200 lesiones.

Qué comprobar antes de implantar

Cifras finales de la prueba:

• GPT-6 Astra y Claude Fable 5.1: 84 y 85 diagnósticos correctos de 200 (42%);
• Inception v3 (2015), reentrenada con 68 011 imágenes: 125 de 200 (62%);
• tiempo de reentrenamiento de la CNN: unos veinte minutos en una sola H100;
• conjunto de datos: MILK10k, ISIC, 2025.

Para los equipos que integran LLM multimodales en productos médicos, la conclusión es práctica. Un modelo generalista con una alta confianza declarada (como el 95% en una respuesta errónea) y la recomendación de "dar el alta al paciente" es más peligroso que una precisión modesta sobre el papel. Antes del lanzamiento, estos sistemas deben contrastarse con un modelo base especializado y estrecho en una muestra independiente con biopsia, calcular por separado la proporción de falsos "se puede dar el alta" y comprobar que no haya pacientes comunes entre el entrenamiento y la prueba. Una CNN potente y reentrenada que cabe en un teléfono servirá como punto de referencia honesto para cualquier LLM en la clínica.