Дерматолог Магнус Линч 25 октября опубликовал сравнение GPT-6 Astra, Claude Fable 5.1 и специализированной Inception v3. На 200 поражениях кожи с диагнозами, подтверждёнными биопсией, сеть верно выбрала диагноз в 125 случаях, чат-боты — в 84 и 85. Но преимущество в распознавании не означало более безопасного отбора пациентов.

Архитектура Inception v3 появилась в 2015 году; для эксперимента её дообучили на 68 тысячах медицинских изображений. Тестовые поражения и остальные снимки тех же пациентов исключили из обучения. Все модели получали обычную фотографию и снимок через дерматоскоп, выбирая среди шести диагнозов. Чат-боты проверяли по одному разу с одинаковым запросом.

При исходном пороге сеть рекомендовала оставить без дальнейшего обследования 18 из 30 меланом, GPT — три, Claude — четыре. При изменении порога в сравнении Линча пропуски у сети сокращались до одного-двух. Поэтому число правильно названных болезней и риск отпустить пациента с опасным поражением — разные показатели.

Это небольшой эксперимент на сложных, уже биопсированных случаях, а не клиническое испытание. Он показывает конкретный выигрыш специализации, сохраняя неприятную обратную сторону: более точное название диагноза само по себе не делает решение безопаснее. Материалы теста доступны для проверки.