Um dermatologista londrino publicou resultados que deveriam ser desconfortáveis para a indústria de inteligência artificial: um modelo de imagem de 2015, ajustado por cerca de vinte minutos, superou dois dos maiores modelos de linguagem do mundo na tarefa de diagnosticar câncer de pele.
Dr. Magnus Lynch, cirurgião de Mohs no Guy's Hospital e pesquisador honorário do King's College London, testou o GPT-6 Astra e o Claude Fable 5.1 — os modelos mais capazes disponíveis da OpenAI e da Anthropic em outubro de 2026 — contra uma rede Inception v3 fine-tunada especificamente para reconhecimento de lesões cutâneas. O resultado foi claro: o modelo especializado acertou 62% dos diagnósticos como primeira escolha, contra 42% para ambos os LLMs. E em lesões benignas, a disparidade foi ainda maior.
O teste foi simples, mas revelador. Lynch selecionou 200 imagens de lesões biopsicamente comprovadas do dataset público MILK10k, disponível desde 2025. Para cada caso, apresentou duas imagens a cada modelo: uma fotografia clínica convencional e uma imagem dermoscópica (microscopia da pele). Em seguida, pediu que classificasse a lesão entre seis possibilidades diagnósticas.
Os LLMs falharam de maneira sistemática e previsível. O GPT-6 Astra rotulou 75 lesões como carcinoma basocelular quando apenas 25 eram — incluindo 14 dos 30 melanomas do conjunto. Ou seja, em vez de identificar o melanoma, o modelo o confundiu com um carcinoma basocelular, uma condição muito menos agressiva. O Claude Fable 5.1 apresentou viés diferente: rotulou 53 lesões como ceratose actínica contra apenas 20 casos reais. Ambos os modelos demonstraram um viés de superprevisão consistente, inclinados a rotular qualquer lesão ambígua como algo de sua preferência diagnóstica.
Já o Inception v3, embora antigo e especializado, não cometeu esse erro. Das 30 lesões de melanoma no teste, o modelo identificou corretamente 13 como primeira escolha. GPT-6 Astra acertou 8 e Claude Fable 5.1, 11. Nas lesões benignas, a diferença foi dramática: o CNN reconheceu 37 das 50 molas e 26 das 50 ceratoses seborréicas, contra 16 e 13 para o GPT-6 e apenas 33 e 6 para o Claude.
O que torna esse resultado particularmente interessante não é o desempenho do Inception v3 em si — ele é um modelo de linha de base com AUC de 0,86 neste conjunto de dados, bem abaixo dos 0,96 alcançados por redes modernas fine-tunadas para dermatologia. O que importa é o que ele revela sobre os LLMs generalistas.
Os modelos de linguagem de grande escala foram treinados em textos, códigos, artigos médicos e manuais clínicos. Eles sabem sobre dermatologia. Mas conhecer a teoria não é o mesmo que reconhecer padrões visuais em imagens reais. O Inception v3 não "sabe" nada sobre melanoma além da arquitetura de suas camadas convolucionais. Foi exposto apenas a imagens e rótulos, ajustado por vinte minutos em um problema específico, e nessa tarefa estreita superou os modelos generalistas mais caros do planeta.
Isso não significa que os LLMs sejam ruins para medicina. Significa que generalização de linguagem não se traduz diretamente em competência visual diagnóstica. Os LLMs são, essencialmente, modelos estatísticos que operam em espaço textual — eles aprendem que "mancha escura irregular nas bordas" frequentemente correlaciona-se com melanoma em textos médicos, mas não veem a borda irregular. Veem tokens.
Lynch listou limitações razoáveis do estudo. 200 casos são suficientes para mostrar o padrão, mas não para rankear resultados próximos. Cada execução do LLM foi feita uma única vez, embora respostas de LLMs variem entre execuções. E o MILK10k é público desde 2025, então é possível que tanto o GPT quanto o Claude tenham visto essas imagens no conjunto de treinamento.
Mas mesmo com todas as ressalvas, o padrão permanece: os modelos mais avançados do mundo falharam em uma tarefa visual médica básica para a qual um modelo antigo e estreito se saiu significativamente melhor.
A implicação não é que o Inception v3 substituirá dermatologistas. É que a indústria de inteligência artificial, ao apostar quase inteiramente em modelos de linguagem generalistas, pode estar negligenciando a importância de modelos especializados para tarefas visuais críticas. Em um mercado onde a saúde digital é uma das áreas de maior crescimento, a especialização ainda vence a generalização — e isso vale para diagnósticos, imagens médicas e provavelmente muito mais que estamos apenas começando a explorar.
Fontes: Lynch Lab, AI Chat Daily, AI Governance
✓ Fontes independentes cruzadas e verificadas antes da publicação
