Un dermatólogo londinense publicó resultados que deberían ser incómodos para la industria de la inteligencia artificial: un modelo de imágenes de 2015, ajustado durante unos veinte minutos, superó a dos de los modelos de lenguaje más potentes del mundo en el diagnóstico de cáncer de piel.
El Dr. Magnus Lynch, cirujano de Mohs en el Guy's Hospital e investigador honorario del King's College London, evaluó GPT-6 Astra y Claude Fable 5.1 — los modelos más capaces disponibles de OpenAI y Anthropic en octubre de 2026 — contra una red Inception v3 específicamente ajustada para el reconocimiento de lesiones cutáneas. El resultado fue claro: el modelo especializado alcanzó un 62% de precisión en los diagnósticos de primera elección, frente al 42% para ambos LLM. Y para lesiones benignas, la disparidad fue aún mayor.
La prueba fue sencilla pero reveladora. Lynch seleccionó 200 imágenes de lesiones confirmadas biopsicamente del conjunto público MILK10k, disponible desde 2025. Para cada caso, presentó dos imágenes a cada modelo: una fotografía clínica convencional y una imagen dermoscópica (microscopía de la piel). Luego le pidió a cada modelo que clasificara la lesión entre seis posibilidades diagnósticas.
Los LLM fallaron de manera sistemática y predecible. GPT-6 Astra etiquetó 75 lesiones como carcinoma basocelular cuando solo 25 lo eran, incluyendo 14 de los 30 melanomas del conjunto. Es decir, en lugar de identificar el melanoma, el modelo lo confundió con carcinoma basocelular, una condición mucho menos agresiva. Claude Fable 5.1 mostró un sesgo diferente: etiquetó 53 lesiones como queratosis actínica contra solo 20 casos reales. Ambos modelos demostraron un sesgo de superpredicción consistente, tendiendo a etiquetar cualquier lesión ambigua como su diagnóstico preferido.
El Inception v3, aunque antiguo y especializado, no cometió ese error. De las 30 lesiones de melanoma en la prueba, el modelo identificó correctamente 13 como primera elección. GPT-6 Astra acertó 8 y Claude Fable 5.1, 11. En las lesiones benignas, la diferencia fue dramática: el CNN reconoció correctamente 37 de 50 lunares y 26 de 50 queratoses seborreicas, frente a 16 y 13 para GPT-6 y solo 33 y 6 para Claude.
Lo que hace este resultado particularmente interesante no es el rendimiento del Inception v3 en sí mismo — es un modelo de línea base con un AUC de 0,86 en este conjunto de datos, muy por debajo del 0,96 logrado por redes modernas ajustadas para dermatología. Lo que importa es lo que revela sobre los LLM generalistas.
Los grandes modelos de lenguaje han sido entrenados en textos, códigos, artículos médicos y manuales clínicos. Ellos saben sobre dermatología. Pero conocer la teoría no es lo mismo que reconocer patrones visuales en imágenes reales. El Inception v3 no sabe nada sobre el melanoma más allá de la arquitectura de sus capas convolucionales. Fue expuesto solo a imágenes y etiquetas, ajustado durante veinte minutos en un problema específico, y en esa tarea estrecha superó a los modelos generalistas más caros del planeta.
Esto no significa que los LLM sean malos para la medicina. Significa que la generalización del lenguaje no se traduce directamente en competencia visual diagnóstica. Los LLM son, esencialmente, modelos estadísticos que operan en espacio textual — aprenden que "borde oscuro e irregular" frecuentemente se correlaciona con melanoma en textos médicos, pero no ven el borde irregular. Ven tokens.
Lynch enumeró limitaciones razonables del estudio. Doscientos casos son suficientes para mostrar el patrón, pero no para rankear resultados cercanos. Cada ejecución del LLM se hizo una sola vez, aunque las respuestas de los LLM varían entre ejecuciones. Y el MILK10k es público desde 2025, por lo que es posible que tanto GPT como Claude hayan visto estas imágenes en su conjunto de entrenamiento.
Pero incluso con todas las advertencias, el patrón se mantiene: los modelos más avanzados del mundo fallaron en una tarea visual médica básica para la cual un modelo antiguo y estrecho se desempeñó significativamente mejor.
La implicación no es que el Inception v3 reemplazará a los dermatólogos. Es que la industria de inteligencia artificial, al apostar casi enteramente por modelos de lenguaje generalistas, puede estar negligenciando la importancia de modelos especializados para tareas visuales críticas. En un mercado donde la salud digital es uno de los sectores de mayor crecimiento, la especialización aún vence a la generalización — y esto se aplica a diagnósticos, imágenes médicas y probablemente mucho más que apenas estamos comenzando a explorar.
Fuentes: Lynch Lab, AI Chat Daily, AI Governance
✓ Fuentes independientes cruzadas y verificadas antes de la publicación
