Una CNN de 10 años supera a LLMs de vanguardia en diagnóstico de cáncer de piel

Un dermatólogo ha publicado los resultados de una prueba en la que una red neuronal convolucional (CNN) de 10 años, basada en la arquitectura Inception v3, superó a dos modelos de lenguaje de gran escala (GPT-6 Astra y Claude Fable 5.1) en el diagnóstico de lesiones cutáneas. El estudio, realizado con 200 lesiones biopsias confirmadas del dataset MILK10k, reveló que la CNN logró una precisión del 62% en la identificación correcta, frente al 42% de los modelos de lenguaje de vanguardia. La CNN, fine-tuned durante 20 minutos en imágenes dermoscópicas, identificó correctamente 125 de las 200 lesiones, incluyendo 13 melanomas, mientras que los LLMs fallaron en la mayoría de los casos, clasificando erróneamente 25 melanomas como seborrhoeic keratosis. El autor destaca que, aunque la CNN no es de estado del arte, su arquitectura simple y especializada permite ejecutarla en navegadores móviles sin necesidad de servidores. Los LLMs, por el contrario, mostraron sesgos significativos, clasificando incorrectamente un alto porcentaje de lesiones benignas como malignas o viceversa. El estudio subraya la importancia de la especialización en el diagnóstico dermatológico y la necesidad de validar los modelos de lenguaje en contextos clínicos específicos, donde la precisión técnica puede ser superior a la de las herramientas de IA generalistas.