皮膚がんの画像、最新AIより10年前のAIが当てた　英の皮膚科医が検証

ロンドンの病院で働く皮膚科医が、皮膚の病変の画像200枚を、いまの最新AIに見せた。正解率は、GPT-6 Astraが42%、Claude Fable 5.1も42%。同じ200枚を、2015年に出た古い作りのAIに解かせたら、62%だった。最新のほうが強いんじゃないの？

試したのは、ロンドンのガイズ病院で働く皮膚科医のマグナス・リンチ医師。10月25日に、自分のサイトで結果を出した。リンチ医師は、この病院でメラノーマ（悪性黒色腫）の症例検討会をまとめ、キングス・カレッジ・ロンドンで皮膚がんとAIの研究チームも率いている。

20分の鍛え直しで、最新AIを上回った

画像は、国際皮膚画像共同研究（ISIC）が2025年に公開した「MILK10k」から無作為に選んだ200枚。すべて生検で診断が確定している。うち100枚は治療が必要なもので、メラノーマ30、基底細胞がん25、有棘細胞がん25、日光性角化症20。残り100枚は帰してよいもので、ほくろ50と脂漏性角化症（老人性のいぼ）50だ。

古い側は、グーグルが2015年に出したCNN「Inception v3」。普通の写真で学ばせたものに、ISICアーカイブの皮膚の画像6万8011枚を追加で学ばせた。使ったのはH100が1枚、時間は約20分。テストに出す200枚は、学習からは外している。

正解の数は、Inception v3が125枚（62%）、GPT-6 Astraが84枚（42%）、Claude Fable 5.1が85枚（42%）。メラノーマ30枚では、13枚・8枚・11枚。差がもっと開いたのは「がんではない」側だった。Inception v3は、ほくろ50枚のうち37枚、脂漏性角化症50枚のうち26枚を当てた。GPT-6 Astraは16枚と13枚、Claude Fable 5.1は33枚と6枚だった。

20分と、GPU1枚。最新のAIに巨額の金が動いているなかで、この安さのほうが刺さった――というのは、筆者の見方だ。

最新AIは、同じ答えを言いすぎた

なぜ最新AIが外したのか。答えが、ひとつに偏っていた。GPT-6 Astraは200枚のうち75枚を「基底細胞がん」と答えたが、本当にそうだったのは25枚だけ。しかも、メラノーマ30枚のうち14枚を基底細胞がんと答えていた。Claude Fable 5.1は53枚を「日光性角化症」と答え、当たりは20枚。

では、勝った古い側は使えるのか。ここは、リンチ医師が先に線を引いている。200枚は全部が生検に回った難しい画像だ。帰してよいものとそうでないものを見分ける力を示す数字（1に近いほどよい）は0.86で、普段のアーカイブ画像での0.96より落ちた。枚数が少ないことや、MILK10kが最新AIの学習データに混ざっていた可能性も、自分で挙げている。Inception v3は「あえて最先端ではない」とも書いている。

ネットの評判

Hacker Newsでは、この検証が354点、179件のコメントを集めた（10月26日の確認時）。多いのは「専用に作ったAIが勝つのは当たり前」という声だ。あるユーザーは、規模のある用途なら専用の分類器を使ったほうがずっと正確になる、と書いた。LLMに診断させるのではなく、LLMに専用のAIを作らせればいい、という見方も目立った。

一方、検証の作りを疑う声もある。皮膚の画像6万8011枚で鍛えた側と、皮膚の専門的な学習がない側を並べるのは不公平で、ベンチマークに合わせた作り込みだ、という指摘。別のユーザーは、同じデータの切り分けで鍛えれば小さいモデルはいつでも勝てる、ただ、もろい、と書いた。

リンチ医師は、このAIをブラウザで試せるページも出している。画像は端末の中で判定され、どこにも送られない。ただ、同じページに、医療機器ではないし診断に使うものでもない、という注意が書かれている。臨床の写真では、メラノーマ30枚のうち14枚を見落とす、とも書いてある。

古いAIが勝ったとはいえ、その62%は、200枚のうち75枚を外した数字でもある。