皮膚癌 AI 比較：專用 CNN 答對更多，為何不代表分流更安全？（2026）

2026 年 10 月 25 日，皮膚科醫師 Magnus Lynch 在 Lynch Lab 發布了〈A 10-year-old CNN outperforms frontier LLMs for skin cancer diagnosis〉，提出一個值得細讀的皮膚癌 AI 比較：經專門微調的 Inception v3，在 200 個病灶的六分類題中，比兩個通用多模態語言模型答對更多；但它的預設分流門檻，也讓更多黑色素瘤被判為可以離院。

這篇文章先還原作者怎麼比、數字各在回答什麼，再對照公開逐筆紀錄與外部研究資料，最後判斷這次勝負能支持多大的結論。最值得帶走的，不是「舊模型打敗新模型」，而是分類準確率與安全分流需要分開驗收。

皮膚癌 AI 比較：同一批病灶，兩種問題

Lynch 是臨床皮膚科醫師，任職醫院的介紹也列出他的皮膚癌診斷、手術與相關研究背景。這使他的題目設計值得重視，但臨床資歷本身不能取代對測試方法與結果的檢查。

依原文，樣本來自 MILK10k，作者按組別抽出 200 個經組織病理確認的病灶：100 個被列為不宜離院，包括 30 個黑色素瘤、25 個基底細胞癌、25 個鱗狀細胞癌及 20 個日光性角化症；另 100 個為良性痣與脂漏性角化症，各 50 個。不宜離院的 100 個，不等於 100 個癌症。

每個病灶有一般近照與皮膚鏡影像。前者像平常拍下的局部照片，後者則透過專用放大與照明設備呈現細節。ISIC 官方的 MILK10k 說明確認這種成對影像設計，也列出官方基準的 11 個診斷類別；Lynch 這次挑選的六分類、200 病灶實驗，是他另行設計的子集，不能當成官方完整榜單。

作者給兩個語言模型相同的醫師情境提示，要求第一診斷、信心、第二選項，以及能否在不治療、不切片、不追蹤的情況下離院。原文與下載紀錄將模型標為 GPT-6 Astra、Claude Fable 5.1；每個病例各跑一次。這裡的結果綁定作者公開的這組模型標籤、提示與紀錄，不能擴張成所有聊天介面或後續版本的成績。

專用 CNN 贏在哪裡？先看訓練，再看分數

The CNN is deliberately not state of the art.

中文：作者刻意選擇的 CNN，並不是當前最先進的模型。

Magnus Lynch／Lynch Lab

Inception v3 是卷積神經網路（CNN），可把它想成專門從影像紋理與形狀學習分類規則的系統。其相關論文預印本於 2015 年 12 月公開，正式會議版本則收錄於 CVPR 2016。這裡比較的是較早的架構經過新的專項訓練，不是把十年前的原始權重直接拿來看病。

Lynch 自述，他在單張 H100 上，用 68,011 張 ISIC 影像微調全部網路層，耗時約 20 分鐘；測試病灶及相同病人、相同病灶的其他照片，事先從訓練與驗證資料排除。這些訓練時間與排除流程屬作者的方法說明，本文未在其訓練環境重現。CNN 同樣使用兩張圖，融合時較重視皮膚鏡影像。

原文報告，CNN 第一診斷答對 125／200，兩個語言模型則為 84／200、85／200。以分數重新換算，是 62.5%、42.0%、42.5%；原文以整數百分比呈現。把第二選項也算進來，三者依序為 173、134、138。這證明的範圍是作者這批資料與規則下的分類表現。

第一診斷正確的黑色素瘤數，CNN 為 13／30，GPT-6 Astra 為 8／30，Claude Fable 5.1 為 11／30。CNN 也不是每類都贏：原圖中，日光性角化症答對數落後兩個語言模型。總分會把不同種類的錯誤加在一起，不能代替逐類檢查。

皮膚癌 AI 的安全反差：答對 125 題，仍可能漏放 18 個黑色素瘤

同一份原文裡，最需要和分類分數一起讀的，是離院結果。以下所有 CNN 數字保留為作者報告；語言模型數字則另以公開回覆重新計數核對。

指標	GPT-6 Astra	Claude Fable 5.1	CNN（作者報告）
第一診斷答對／200	84	85	125
黑色素瘤第一診斷答對／30	8	11	13
不宜離院者被留住／100	97	96	77（預設門檻）
良性病灶可離院／100	32	22	76（預設門檻）
黑色素瘤被判可離院／30	3	4	18（預設門檻）

分類問題問「最像哪一種病」，分流問題問「能不能安全地停止後續處理」。答錯診斷但仍安排進一步檢查，與把黑色素瘤判成可以離院，後果不同。在這組測試中，兩個語言模型留住較多不宜離院的病灶，同時也讓較多良性病灶留下；CNN 的預設門檻則放行較多良性病灶，也放行更多黑色素瘤。

第一診斷與離院是分開評分的輸出；不能用「30 減去診斷答對數」推算漏放數。作者另稱，若調整 CNN 門檻到與語言模型較接近的運作位置，可留住 98 或 99 個不宜離院病灶，漏放的黑色素瘤降至 2 或 1 個。這是另外的門檻結果，不能和預設門檻放行 76 個良性病灶的數字拼成同一套表現。要判斷實際效益，還需要同一門檻下成對列出安全與轉診負擔，並在獨立資料驗證。

這就像一道門：把門收緊，可能少放走需要檢查的人，也讓更多原本可放心的人留下。選門檻不是把總分調漂亮，而是先說清楚能接受哪種錯誤、誰承擔代價，再驗證這個選擇。

哪些證據可以核對？哪些仍是作者自述？

公開紀錄的加總，與重新執行模型要分開

AlphaLab 下載了原文連結的病例、提示與回覆資料包，另寫計數程式，從兩份醫師情境 JSONL 回覆核對：第一診斷 84、85；前兩選項 134、138；黑色素瘤第一診斷 8、11；漏放黑色素瘤 3、4；不宜離院者留住 97、96；良性病灶離院 32、22。這些加總與原文一致。我們核對的是作者提供的紀錄，沒有重新呼叫模型，也沒有獨立確認每張影像的病理。

截至 2026 年 10 月 27 日檢視，這份下載包列出的模型逐筆結果是兩個語言模型；CNN 的 125、18 及調整門檻結果，在本文中依然是作者自述，未由同等逐筆輸出獨立核算。原文的訓練排除聲明，也不等於已完成外部資料洩漏稽核。作者的示範頁方法說明另列依影像類型計算的門檻與單圖結果，不能與本文這組雙圖融合比較直接互換。

小樣本與病例選法，會改變你能推論的事

這 200 個病灶連良性組都曾做切片，與一般人隨手拍下的日常皮膚問題不同。作者指出它們較難判斷；更根本的限制是，這批病例的種類比例與就醫場景已被選定。從這個 50／50 的「宜留／可離院」分組，不能直接推算一般人收到放心答覆後的患病機率。

黑色素瘤只有 30 個，多一個錯誤就改變約 3.3 個百分點。每例只跑一次，也無法由此讀出重複執行的波動。若要比較接近的成績，應看病例層級的配對結果、重複測試與不確定區間，而不是拿一兩題差距宣判長期排名。

MILK10k 的公開性同時讓查核更容易，也提出訓練資料污染的問題。作者承認語言模型可能見過影像；本文無法由公開回覆確認是否真的見過，更不能替污染方向與影響大小下定論。對下一輪研究，獨立、封存、未用於選門檻的測試資料，比再換一句更驚人的標題更有價值。

病人問法測到的是另一種行為

原文另報告，在只給一般近照、以病人方式詢問的額外 100 個黑色素瘤中，兩個語言模型分別對 99、98 個建議就醫。這不是前面 30 個黑色素瘤的同一項指標，也不是診斷正確率。幾乎所有人都被勸去看醫師，可以降低部分漏放，卻不能單憑這點證明模型已能有效區分誰需要轉診。病人問法的自由文字回覆還要經過編碼與臨床判讀；資料包說明也記載作者調整過個別自動評分，因此這組 99／98 是作者報告的判讀結果，不能當成只數原始分類標籤就能得到的數字。

作者也交代自己設計測試並作臨床判定，分析與初稿使用 Claude Code。這種工具關係值得知道，但既不會自動推翻結果，也不會使結果更可信；真正能提高信心的，是公開紀錄、獨立重算與外部重現。

AlphaLab 的判讀：專項訓練值得重視，安全仍要另外交卷

一、舊架構可以是好基準，但這不是架構的公平淘汰賽

我同意作者最有價值的提醒：處理窄而明確的影像任務時，應把專用模型放進候選，而不是從通用能力名聲直接推算專業準確率。這個案例把「任務相關資料與訓練」的重要性具體化了。可是 CNN 做了專項微調，語言模型走的是通用提示路徑；這場比較同時改變訓練方式與架構，無法把差距全歸因於 CNN 天生優於語言模型。

類似問題也可對照 Jev 專用模型與開源重製解析：一個窄任務的成績，可以支持選擇更合適的模型，卻不會自動證明整個系統在所有場景都可靠。

二、醫療分流的目標，應先寫成可接受的錯誤

這份比較中，CNN 預設門檻的 18／30 漏放，是不能被總分蓋過的具體訊號。相對地，把幾乎所有病灶都留下，也需要計算額外評估量與醫療容量。較好的下一輪比較，是先固定漏診風險目標，再比較能減少多少不必要轉診；同時保留不同膚色、拍攝設備與場域的分組結果。

外部臨床導入也採條件式思考。英國 NICE 的 HTG746 建議允許 DERM 在證據生成期、符合指定條件時，用於 NHS 成人疑似皮膚癌轉診路徑的評估與分流；並要求監測表現，對黑色或棕色皮膚者安排醫療專業人員複核。這不是對 Lynch 模型的認可，而是說明臨床採用會把適用人群、監測與後續責任一起納入。

三、我同意專項基準的挑戰，也存疑全面勝出的說法

我同意：作者讓一個容易重複的假設接受檢驗——通用前沿模型未必是每個專業影像任務的最佳起點。我存疑：把這批六分類成績寫成「CNN 已證明更安全」，或把它變成病人自行判斷可否不就醫的依據。前者忽略原文自己的分流反差，後者把選定資料上的回溯比較，跨成真實照護決策。

想繼續練習這種分辨，可讀 Microsoft-Decision-1 的評分與校準分析：高分、信心與採取行動的門檻，應各自有可以檢查的證據。

下一步：讀到醫療 AI 跑分，先問這四件事

第一，病例從哪裡來，和實際使用的人是否相似？第二，評分是在認病名、判斷轉診，還是在量病人最後的結果？第三，門檻在測試前是否固定，同一門檻的漏放與額外轉診是否一起報告？第四，結果是否有逐筆紀錄與獨立驗證？這四個問題，比只問模型大不大、新不新，更接近能否採用。

如果你是因為自己身上的斑點而看到這篇比較，請把注意力放回變化本身。美國皮膚科醫學會的就醫指引建議，斑點或腫塊若持續變大、出血或出現變化，應讓皮膚科醫師檢查。可以記錄何時開始、如何改變，帶到就診時說明；不要因聊天答覆或這篇實驗的某個排名而取消檢查。