Altes CNN erkennt Hautläsionen in einem Eigentest öfter richtig als zwei aktuelle Sprachmodelle

Altes CNN trifft bei Hautläsionen öfter als GPT-6 Astra und Claude Fable 5.1

Ein neuronales Netz aus dem Jahr 2015 hat bei der Diagnose von Hautläsionen häufiger richtig gelegen als GPT-6 Astra und Claude Fable 5.1. Der Dermatologe Magnus Lynch (Guy's Hospital, London) hat den Direktvergleich am 25. Oktober 2026 auf lynchlab.net veröffentlicht. Von 200 biopsiegesicherten Fällen mit sechs möglichen Diagnosen nannte das feinabgestimmte Inception-v3-CNN in 125 Fällen die richtige Diagnose als erste Wahl, also 62 %. GPT-6 Astra kam auf 84 Treffer, Claude Fable 5.1 auf 85. Beide landeten damit bei 42 %.

Auch mit Zweitwahl blieb der Abstand bestehen. Das CNN traf in 173 von 200 Fällen, GPT-6 Astra in 134, Claude in 138. Bei den 30 Melanomen lag das CNN als erste Wahl 13-mal richtig, GPT-6 Astra 8-mal und Claude 11-mal. Gleichzeitig hielt das CNN 14 der 30 Melanome für gutartig.

200 biopsierte Fälle aus MILK10k, Bilderpaare ohne Zusatzkontext

Lynch wählte die 200 Läsionen zufällig aus MILK10k aus, einem 2025 über die International Skin Imaging Collaboration veröffentlichten Datensatz. Zu jeder Läsion gibt es ein klinisches und ein dermatoskopisches Bild. Die Diagnose ist histopathologisch bestätigt. 100 Fälle gelten als nicht zu entlassen: 30 Melanome, 25 Basalzellkarzinome, 25 Plattenepithelkarzinome (einschließlich Morbus Bowen) und 20 aktinische Keratosen. Die übrigen 100 sind entlassbar: 50 Nävi und 50 seborrhoische Keratosen. Alle Läsionen wurden biopsiert, auch die gutartigen. Lynch hält die Fälle deshalb für schwieriger als üblich.

Die Sprachmodelle bekamen beide Bilder ohne weiteren Kontext. Sie sollten eine von sechs Diagnosen oder „unsicher“ wählen und dazu Konfidenz, Zweitwahl und Entlassungsentscheidung nennen. Verwendet wurden Standardeinstellungen und ein Durchlauf pro Fall. Das CNN basiert auf Inception v3, das Google 2015 veröffentlichte. Es wurde auf Alltagsfotos vortrainiert und anschließend mit 68.011 Bildern des ISIC-Archivs feinabgestimmt, nach Lynchs Angaben rund 20 Minuten auf einer H100-GPU. Das dermatoskopische Bild gewichtete es stärker. Laut Bericht blieben die Testläsionen und weitere Bilder derselben Patienten bei Training, Modellwahl und Schwellenfestlegung außen vor.

Eigentest eines Einzelautors: Was das Ergebnis nicht belegt

Es handelt sich um den Eigentest eines Einzelautors, keine begutachtete Studie. Ein Peer-Review fehlt, eine Replikation steht aus. Lynch selbst nennt die kleine Stichprobe und den einen Durchlauf pro Fall. Antworten von Sprachmodellen können bei Wiederholung abweichen. Außerdem spricht er eine mögliche Kontamination an, da MILK10k seit 2025 verfügbar ist. Die vorliegende Textfassung bricht an dieser Stelle ab.

Dass spezialisierte KI bei Hautläsionen stark sein kann, ist nicht neu. Eine Meta-Analyse fand, dass KI-Algorithmen bei Sensitivität und Spezifität klinisch mit Experten vergleichbar sind. Übersichtsarbeiten nennen begrenzte Datensätze und uneinheitliche Evaluation als typische Schwächen. Eine Studie mit 652 Ärzten verweist darauf, dass KI-Systeme im Praxisalltag oft schwächer abschneiden als unter kontrollierten Bedingungen. Neu ist allein die Gegenüberstellung mit den beiden genannten Modellen.