伦敦皮肤科医生实测：2015 年的 Inception v3 微调后诊断皮肤病灶准确率 62%，GPT-6 Astra 与 Claude Fable 5.1 都只有 42%

一位临床医生的 200 例对照

Magnus Lynch 是伦敦 Guy's Hospital 的皮肤科顾问医师和 Mohs 外科医生，也是伦敦国王学院的荣誉 Reader。他 10 月 25 日在 Lynch Lab 博客上公布了一项自己设计的测试：拿 200 例皮肤病灶，分别交给 OpenAI 的 GPT-6 Astra、Anthropic 的 Claude Fable 5.1，以及一个用公开皮肤图片微调过的 Inception v3——谷歌 2015 年发表的卷积神经网络（CNN）。

病例来自国际皮肤影像协作组织（ISIC）2025 年发布的公开数据集 MILK10k，每个病灶都有一张临床近照和一张皮肤镜图像，全部经过病理活检确诊。200 例中，「不能放走」的 100 例包括 30 例黑色素瘤、25 例基底细胞癌、25 例鳞状细胞癌和 20 例光化性角化病；「可以放心离院」的 100 例是 50 例良性痣和 50 例脂溢性角化病。作者特别说明，良性病灶也做了活检，说明当初让医生担心过，所以这批病例比日常门诊更难。

两个大模型拿到同样的两张图和同一段提示词（默认设置），要在 6 种诊断里给出首选、置信度、次选，以及能否不做处理直接离院；两者都没有拒答。CNN 在一块 H100 上用 ISIC 档案中的 68,011 张图片微调了约 20 分钟，测试病例及同一病灶、同一患者的其他照片事先都从训练集和验证集中剔除。

差距出在哪里

首选诊断正确率：CNN 125/200（62%），GPT-6 Astra 84/200、Claude Fable 5.1 85/200（均为 42%）。允许次选时，CNN 为 173 例，两个大模型分别 134 和 138 例。30 例黑色素瘤里，CNN 首选认出 13 例，GPT-6 Astra 8 例，Claude Fable 5.1 11 例。

差距最大的是良性病灶：50 例痣中 CNN 认出 37 例，GPT-6 Astra 16 例、Claude Fable 5.1 33 例；50 例脂溢性角化病中分别是 26、13、6 例。CNN 并非全面领先——基底细胞癌上 GPT-6 Astra 25 例全对，比 CNN 多 1 例；光化性角化病上两个大模型都比 CNN 好。

作者还指出，两个大模型各有「偏爱的答案」：GPT-6 Astra 把 75 个病灶判成基底细胞癌（实际 25 例），其中包括 14 例黑色素瘤；Claude Fable 5.1 把 53 个判成光化性角化病（实际 20 例）。换成患者口吻、只给临床照片问「我要不要看医生」时，两者几乎每例都建议就医，连良性病灶也不例外；原文给出的数字是另取 100 例经活检确诊的黑色素瘤，两个模型分别有 99 例和 98 例建议就医。几乎全部转诊，就谈不上分诊价值。

作者自己列出的边界

文章附了一节局限说明：200 例只够看出趋势，不足以给接近的结果排名，30 例黑色素瘤的误差范围很宽；每个大模型病例只跑了一次，答案在不同次运行之间会变化；MILK10k 2025 年起公开，大模型可能在训练中见过（作者认为这只会帮到它们）；Inception v3 只是基线，当前最好的皮肤癌诊断系统和已获监管批准的产品表现要好得多。这项测试未经同行评审。

作者在文末披露，数据分析和初稿用了 Claude Code，而被测模型之一也来自 Anthropic。案例、提示词、两个大模型的全部回复和评分代码可以一并下载，那个 CNN 还能直接在手机浏览器里通过 WebGPU 本地运行。对正在考虑用通用多模态大模型做医学影像初筛的团队，这组数字提示：专门训练的小模型在窄任务上仍有明显优势，而大模型「建议就医」的谨慎回答并不等于有用的判断。