Un CNN de 2015 le gana a GPT-6 Astra y Claude en melanoma, según un experimento

⏱️ Lectura: 11 min

Un dermatólogo probó el diagnóstico de melanoma con IA en GPT-6 Astra, en Claude Fable 5.1 y en una red neuronal publicada en 2015, usando la misma foto. Los dos modelos de lenguaje más nuevos dijeron que era una verruga benigna y que el paciente podía irse a casa. La red vieja, mucho más chica, dijo melanoma: la respuesta correcta.

📑 En este artículo

1. TL;DR
2. Qué es Inception v3
3. Qué pasó en la prueba de diagnóstico de melanoma con IA
4. Contexto e historia de las redes neuronales para diagnóstico dermatológico
5. Detalles técnicos: cómo compite un modelo de visión para melanoma
6. Impacto y análisis de la clasificación de lesiones cutáneas por IA
7. Qué sigue para la detección de cáncer de piel con IA
8. Preguntas frecuentes
   1. ¿Qué es Inception v3 y por qué se usó para este experimento?
   2. ¿GPT-6 Astra y Claude Fable 5.1 pueden diagnosticar melanoma?
   3. ¿Qué es MILK10k?
   4. ¿Por qué las redes neuronales para diagnóstico dermatológico ganan a un LLM grande?
   5. ¿La detección de cáncer de piel con IA deja fuera a los LLM genéricos?
   6. ¿Se puede probar el modelo de Lynch Lab gratis?
9. Referencias
   1. 📚 Artículos relacionados

El experimento no se quedó en una foto. El dermatólogo probó los tres sistemas contra 200 lesiones de piel confirmadas por biopsia y publicó los resultados completos en su blog, Lynch Lab.

TL;DR

• Un CNN de 2015 fine-tuneado diagnosticó bien 62% de 200 lesiones; los LLM solo 42%.
• GPT-6 Astra y Claude Fable 5.1 confundieron un melanoma invasivo con una lesión benigna.
• El estudio usó MILK10k, 200 lesiones confirmadas por biopsia en seis categorías.
• Claude Fable 5.1 acertó solo 12% de queratosis seborreicas; el CNN acertó 52%.
• La prueba fue en octubre de 2026 y el CNN corre gratis en el navegador vía WebGPU.

Qué es Inception v3

Inception v3 es una red neuronal convolucional que Google publicó en 2015 para clasificar imágenes por capas de convolución. Fine-tuneada con fotografías dermatológicas, es la herramienta central del diagnóstico de melanoma con IA que un dermatólogo comparó contra dos modelos multimodales de última generación en 200 casos reales.

La versión que usó el dermatólogo no es la red original de Google. Partió de los pesos preentrenados en fotos genéricas y los reentrenó por completo en 68.011 imágenes dermoscópicas y clínicas del ISIC Archive, usando una sola GPU H100. Ninguna de las 200 lesiones de prueba, ni otras fotos del mismo paciente o la misma lesión, estuvo en ese entrenamiento ni en la validación.

Para cada lesión, el modelo recibe dos imágenes: una foto clínica tomada con cámara común y una imagen dermoscópica, capturada con la lupa iluminada que usan los dermatólogos. Combina ambas puntuaciones, con más peso en la dermoscópica, y elige entre seis diagnósticos posibles.

Qué pasó en la prueba de diagnóstico de melanoma con IA

El dermatólogo detrás de Lynch Lab armó un examen parejo para los tres sistemas. Tomó 200 lesiones del dataset público MILK10k, liberado por la International Skin Imaging Collaboration en 2025, todas con diagnóstico confirmado por histopatología. La mitad eran lesiones que no se pueden dar de alta sin biopsia: 30 melanomas, 25 carcinomas basocelulares, 25 carcinomas escamosos (incluida la enfermedad de Bowen) y 20 queratosis actínicas. La otra mitad eran lesiones benignas que sí se pueden dar de alta: 50 nevos y 50 queratosis seborreicas.

A GPT-6 Astra y a Claude Fable 5.1 se les dieron las mismas dos imágenes de cada lesión, sin más contexto clínico. Se les pidió el diagnóstico más probable entre seis opciones, o directamente «no estoy seguro», un nivel de confianza, una segunda opción y si la lesión se podía dar de alta sin biopsia ni seguimiento. Ningún modelo rechazó ningún caso.

El resultado agregado fue claro. Inception v3 acertó 125 de 200 diagnósticos (62%). GPT-6 Astra acertó 84 (42%) y Claude Fable 5.1 acertó 85 (42%). Una red fine-tuneada en una tarde de GPU superó por 20 puntos porcentuales a los dos modelos multimodales más capaces de octubre de 2026.

El caso que más preocupa es uno de melanoma invasivo en la oreja, de menos de 0,8 mm de espesor. Las dos imágenes mostraban poca pigmentación. GPT-6 Astra y Claude Fable 5.1 lo llamaron queratosis seborreica y recomendaron dar de alta al paciente sin biopsia. Inception v3, mirando la imagen dermoscópica, lo identificó correctamente como melanoma.

En otro caso, un melanoma igual de fino y con poco pigmento, GPT-6 Astra lo clasificó como carcinoma basocelular con 95% de confianza. Claude Fable 5.1 e Inception v3 sí dijeron melanoma. Hubo también un caso donde los tres fallaron: una queratosis seborreica benigna que los dos LLM confundieron con queratosis actínica y la CNN con carcinoma escamoso. Ahí el error salió más barato, porque ninguno de los tres habría dado de alta la lesión.

💭 Clave: Todas las 200 lesiones, incluidas las benignas, habían sido biopsiadas porque algún médico sospechó de ellas antes. El experimento mide el peor escenario, no el lunar típico que nunca llega a consulta.

Contexto e historia de las redes neuronales para diagnóstico dermatológico

Inception v3 no es una novedad. Google la publicó en 2015 como una mejora de arquitectura sobre su propia red Inception original, pensada para competir en ImageNet, un concurso de clasificación de fotos genéricas (gatos, autos, instrumentos), no de piel. Una década de uso la convirtió en una de las arquitecturas más probadas para hacer fine-tuning en tareas de visión chicas, porque ya no hay que inventar nada nuevo: se reentrenan sus capas finales con el dataset propio y listo.

Los modelos de lenguaje multimodales llegaron después con una promesa distinta: un solo sistema que entiende texto, imágenes y contexto clínico a la vez, sin armar un dataset de 68.000 fotos ni pagar una GPU dedicada. GPT-6 Astra y Claude Fable 5.1 son, en octubre de 2026, dos de los modelos multimodales más capaces disponibles al público. Pero ninguno de los dos fue entrenado específicamente para diferenciar seis tipos de lesión de piel: aprendieron dermatología de la misma mezcla de internet con la que aprendieron todo lo demás.

Detalles técnicos: cómo compite un modelo de visión para melanoma

La ventaja de Inception v3 no viene de ser más grande. Viene de que su espacio de respuestas es minúsculo, apenas seis clases, y cada ejemplo de entrenamiento refuerza exactamente esa frontera de decisión. Un modelo multimodal generalista reparte su capacidad entre miles de tareas posibles. Cuando ve una imagen dermoscópica activa representaciones aprendidas de fotos de internet en general, no de un dataset curado por dermatólogos.

flowchart TD
A["Foto clinica"] --> C["Modelo de clasificacion"]
B["Imagen dermoscopica"] --> C
C --> D[("Diagnostico entre 6 categorias")]
subgraph Decision
C
D
end

El fine-tuning también importa por el tipo de error que produce. Al reentrenar todas las capas de Inception v3 sobre imágenes clínicas y dermoscópicas, el gradiente ajusta directamente los filtros que detectan bordes irregulares, asimetría y variación de color: las señales que un dermatólogo busca a simple vista en la dermoscopia. Un LLM multimodal, en cambio, describe la imagen con el mismo proceso de atención que usa para leer una captura de pantalla o un meme. No hay una capa dedicada a pesar la asimetría de un lunar.

Esto no significa que los LLM no sirvan para nada en salud. GPT-6 Astra acertó el 100% de los carcinomas basocelulares, mejor que la CNN. La diferencia está en el costo de los errores: fallar un carcinoma basocelular casi nunca mata a nadie si se agarra después, pero fallar un melanoma sí puede.

Impacto y análisis de la clasificación de lesiones cutáneas por IA

El diagnóstico de melanoma con IA, para ser clínicamente útil, necesita especialización, no solo tamaño de parámetros. El mismo patrón ya se vio en radiología, donde modelos entrenados para leer placas de tórax superan a los generalistas en sensibilidad para hallazgos raros, aunque pierdan en conversación natural.

Reentrenar una red como Inception v3 para una tarea nueva no es caro. Corrió en una sola GPU H100 y usó un dataset público: nada que un equipo de datos chico no pueda replicar. Construir un LLM multimodal de la escala de GPT-6 Astra o Claude Fable 5.1, en cambio, exige la infraestructura de un laboratorio de frontera. La paradoja es que la herramienta técnicamente más accesible resultó ser la más precisa en la tarea de mayor riesgo.

Qué sigue para la detección de cáncer de piel con IA

El dermatólogo liberó una demo pública del modelo que corre entera en el navegador con WebGPU, sin subir ninguna foto a un servidor, y deja probar lesiones al azar del mismo set de 200 casos. Es la forma más directa de ver la diferencia entre un clasificador especializado y un LLM genérico sin instalar nada.

Lo que todavía no existe es una versión comparable entrenada específicamente para esta tarea dentro de GPT-6 Astra o Claude Fable 5.1. Ninguno de los dos laboratorios anunció planes de fine-tuning médico especializado para dermatología a la fecha de esta nota. Mientras eso no pase, la recomendación práctica para una clínica no cambia: un modelo chico fine-tuneado sigue siendo la opción más segura para clasificación de imágenes médicas, y un LLM multimodal sirve como apoyo conversacional, no como lector de biopsias.

📖 Resumen en Telegram: Ver resumen

Probalo vos: abrí la demo del CNN en el blog de Lynch Lab y compará tu propio criterio contra las tres clasificaciones antes de confiar en un chatbot para leer una lesión de piel.

Preguntas frecuentes

¿Qué es Inception v3 y por qué se usó para este experimento?

Es una red neuronal convolucional que Google publicó en 2015. El dermatólogo de Lynch Lab reentrenó todas sus capas con 68.011 imágenes dermatológicas del ISIC Archive, usando una sola GPU H100, para convertirla en un clasificador de seis tipos de lesión de piel.

¿GPT-6 Astra y Claude Fable 5.1 pueden diagnosticar melanoma?

Pueden dar una opinión, pero en esta prueba acertaron el diagnóstico correcto en solo 42% de 200 lesiones biopsiadas, frente a 62% de la CNN especializada. Ambos fallaron específicamente en distinguir melanoma de queratosis seborreica benigna.

¿Qué es MILK10k?

Es un dataset público de lesiones de piel liberado en 2025 por la International Skin Imaging Collaboration, con fotos clínicas y dermoscópicas de cada caso, confirmadas por biopsia.

¿Por qué las redes neuronales para diagnóstico dermatológico ganan a un LLM grande?

Porque su espacio de respuestas es de solo seis clases y todo su entrenamiento refuerza esa frontera de decisión. Un modelo de visión para melanoma fine-tuneado ajusta filtros específicos para asimetría y bordes irregulares; un LLM generalista reparte su capacidad entre miles de tareas distintas.

¿La detección de cáncer de piel con IA deja fuera a los LLM genéricos?

No del todo. GPT-6 Astra acertó el 100% de los carcinomas basocelulares del estudio, mejor que la CNN. El punto es que la tarea de alto riesgo necesita un modelo especializado, no uno genérico, aunque sea más grande.

¿Se puede probar el modelo de Lynch Lab gratis?

Sí. Corre completo en el navegador vía WebGPU, sin subir fotos a ningún servidor, y permite elegir lesiones al azar del mismo set de 200 casos usado en la prueba.

Referencias

• Lynch Lab: el artículo original con la metodología completa y la demo del CNN en el navegador.
• ISIC Archive: el repositorio que alberga el dataset MILK10k usado en la prueba.
• arXiv: el paper original de Inception v3 publicado por Google en 2015.
• Wikipedia: contexto clínico general sobre el melanoma y su diagnóstico.

📱 ¿Te gusta este contenido? Únete a nuestro canal de Telegram @programacion donde publicamos a diario lo más relevante de tecnología, IA y desarrollo. Resúmenes rápidos, contenido fresco todos los días.

Imagen destacada: Foto de CDC en Unsplash