一款十年前的 CNN 在皮肤癌诊断中胜过前沿大模型

伦敦国王学院Lynch Lab发布测试称，一款基于Inception v3并针对皮肤图像微调的CNN，在200个经活检确认的皮损样本上取得62%的首选诊断准确率，高于两款前沿大语言模型的42%；这项结果提醒人们，模型新旧和通用程度并不直接决定医疗图像任务表现。

• Lynch Lab（2026-10-25）称，测试样本包括黑色素瘤、基底细胞癌、鳞状细胞癌、日光性角化病及良性病变。
• 样本来自MILK10k数据集，研究者从中抽取200个病例，并让三种模型在相同六类诊断选项下作答。
• CNN在首选诊断上表现更好，但研究者同时指出样本量较小、黑色素瘤病例仅30例，且每个大模型病例只运行一次。
• ISIC Archive资料显示，MILK10k包含5240个皮损及10480张配对图像，多数病例以组织病理学作为诊断金标准；数据集本身仍不等同于临床真实工作流。
• 影响/看点：结果可能支持在专门任务中优先比较数据、输入模态和误诊代价，而非简单按模型规模选型；它不能证明该CNN已具备临床部署资格，外部验证和监管评估仍是成立条件。
• 资料依据:
• Lynch Lab（2026-10-25）：https://lynchlab.net/llm-skin-cancer
• ISIC Archive（2025-08-07）：https://api.isic-archive.com/doi/milk10k/

本内容由 AI 生成，仅供参考，请注意甄别