10年前のCNN、最先端LLM超え皮膚がん診断

2026年10月、英国で皮膚科医のマグナス・リンチ氏が、皮膚がん診断における最先端大規模言語モデルと旧型特化型画像モデルの精度を比較した。対象は「GPT-6アストラ」と「Claude Fable 5.1」、そしてGoogleが2015年に公開したInception v3を皮膚科画像で微調整した畳み込みニューラルネットワークである。テストにはMILK10kから無作為抽出した生検確定済み病変200例を用い、臨床写真とダーモスコピー画像を同時に与え、6つの診断候補から最も可能性の高い診断と、治療・生検・追跡 observation の可否を判断させた。 結果は、Inception v3が200例中125例を正答し、正答率62%を記録した。一方、GPT-6アストラとClaude Fable 5.1はそれぞれ84例、85例で正答率42%にとどまった。メラノーマの第一候補正答はInception v3が13例、GPT-6アストラが8例、Claude Fable 5.1が11例だった。良性性病変の識別差も大きく、Inception v3は母斑を50例中37例、脂漏性角化症を50例中26例正答した。両大規模言語モデルには誤答の偏りがあり、GPT-6アストラは30例中14例のメラノーマを基底細胞がんと誤認し、Claude Fable 5.1は日光角化症を過剰に選んだ。 特に危険な事例では、耳の厚さ0.8mm未満の浸潤性メラノーマに対し、両大規模言語モデルが良性の脂漏性角化症と判断し、帰宅可能との回答を示した。同例ではInception v3がメラノーマと識別した。別の症例では、GPT-6アストラがメラノーマを95%の自信で基底細胞がんと誤診し、Claude Fable 5.1とInception v3はメラノーマと判定した。 注目されるのは、旧型の小型モデルが最先端の汎用モデルを上回った点だ。Inception v3は1台のGPUで約20分の微調整にとどまり、WebGPUによりスマートフォンブラウザでも動作する。テスト画像は学習と検証から除外済みだった。一方で、患者向けに受診の必要性を尋ねると、両大規模言語モデルはほぼ全症例で受診を推奨し、診断精度と安全志向の助言では異なる挙動を見せた。今回の検証は、医療画像診断では汎用マルチモーダルモデルよりも、タスクに特化した視覚モデルが有効な場合があることを示している。