Un ancien CNN surpasse les LLM de pointe dans un test de diagnostic du cancer de la peau

En octobre 2026, le Dr Magnus Lynch, dermatologue consultant, a publié des résultats montrant qu'un réseau neuronal convolutif (CNN) vieux d'une décennie diagnostiquait le cancer de la peau avec plus de précision que deux grands modèles de langage de premier plan. Le test comparait un modèle Inception v3 ajusté finement à GPT-6 Astra et Claude Fable 5.1 en utilisant 200 lésions cutanées confirmées par biopsie. Le CNN spécialisé a atteint un taux de précision de 62 %, dépassant largement les 42 % de précision des deux LLM de pointe.

Ce qui s'est passé

Le Dr Lynch a sélectionné 200 lésions aléatoires provenant du jeu de données MILK10k, une collection publique publiée par l'International Skin Imaging Collaboration en 2025. Chaque lésion avait été confirmée par histopathologie, ce qui signifie que chaque échantillon, y compris ceux bénins, avait fait l'objet d'une biopsie. Cela a constitué un ensemble de diagnostic difficile, car même les grains de beauté inoffensifs étaient ceux qui avaient suffisamment inquiété les cliniciens pour justifier leur retrait. L'ensemble comprenait 100 lésions nécessitant une action supplémentaire, telles que des mélanomes et des carcinomes, et 100 lésions pouvant être renvoyées sans traitement, comme des naevus bénins et des kératoses séborrhéiques.

Les deux LLM, GPT-6 Astra et Claude Fable 5.1, ont reçu pour chaque lésion une photographie clinique ainsi qu'une image dermoscopique. Ils devaient fournir un diagnostic principal parmi six options, un score de confiance, un choix secondaire et une recommandation de sortie. Les deux modèles fonctionnaient avec leurs paramètres par défaut et n'ont refusé aucun cas. En revanche, le CNN était une version d'Inception v3, initialement publié par Google en 2015. Il a été ajusté finement sur 68 011 images provenant de l'ISIC Archive à l'aide d'un seul GPU H100, les données de test étant strictement exclues des ensembles d'entraînement et de validation.

Les résultats ont révélé un écart de performance net. Le CNN a correctement identifié le diagnostic principal pour 125 des 200 lésions, tandis que GPT-6 Astra et Claude Fable 5.1 ne l'ont fait correctement que 84 et 85 fois respectivement. En autorisant une réponse correcte dans le premier ou le second choix, le CNN a atteint 173 classifications correctes, contre 134 et 138 pour les LLM. Les LLM ont également présenté des biais spécifiques, GPT-6 Astra étiquetant fréquemment les mélanomes comme carcinomes basocellulaires et Claude Fable 5.1 confondant souvent les lésions avec des kératoses actiniques.

Comment cela fonctionne

Les réseaux neuronaux convolutifs comme Inception v3 sont conçus spécifiquement pour la reconnaissance de motifs visuels. Ils traitent les images via des couches de filtres qui détectent les bords, les textures et les formes, construisant une compréhension hiérarchique de l'entrée visuelle. Pour ce test, le modèle a été pré-entraîné sur des photographies quotidiennes puis ajusté finement sur des images dermatologiques. Il a analysé à la fois le gros plan clinique et la vue dermoscopique, accordant un poids plus important à l'image dermoscopique, car cette vue agrandie révèle des détails structurels critiques pour le diagnostic.

Les grands modèles de langage, en revanche, sont des systèmes polyvalents entraînés sur d'énormes quantités de texte et de données multimodales. Bien qu'ils puissent interpréter des images, leur principale force réside dans la compréhension et la génération du langage plutôt que dans l'analyse spécialisée au niveau des pixels. Dans ce test, les LLM ont traité les mêmes entrées d'images doubles mais manquaient de la focalisation architecturale spécialisée sur les caractéristiques visuelles qui définit un CNN. La capacité du CNN à fonctionner entièrement dans un navigateur mobile via WebGPU souligne son efficacité et son faible encombrement par rapport à l'infrastructure massive requise pour les LLM de pointe.

Détails clés

• Jeu de données : 200 lésions confirmées par biopsie issues de MILK10k, réparties équitablement entre les catégories « dangereuses » et « sûres pour la sortie ».
• Modèles testés : GPT-6 Astra, Claude Fable 5.1 et un CNN Inception v3 de 2015 ajusté finement.
• Précision : Le CNN a obtenu 62 % de diagnostics principaux corrects ; les deux LLM ont obtenu 42 %.
• Détection des mélanomes : Le CNN a correctement identifié 13 des 30 mélanomes, tandis que GPT-6 Astra en a identifié 8 et Claude Fable 5.1 en a identifié 11.
• Biais : GPT-6 Astra a mal classé 14 mélanomes comme carcinomes basocellulaires ; Claude Fable 5.1 a montré une préférence pour les diagnostics de kératose actinique.
• Efficacité : Le CNN fonctionne localement dans un navigateur mobile utilisant WebGPU, sans nécessiter de téléversement de données.

Pourquoi c'est important

Pour les ingénieurs développant des outils médicaux ou de diagnostic visuel, cette étude souligne l'importance de la spécialisation des modèles. Alors que les LLM de pointe offrent des capacités larges, ils peuvent manquer de la précision requise pour des tâches à enjeux élevés et spécifiques à un domaine, comme la pathologie. Les résultats suggèrent que des architectures anciennes et spécialisées peuvent encore surpasser les modèles généralistes lorsqu'ils sont ajustés finement sur des données pertinentes et de haute qualité. Cela remet en question l'hypothèse selon laquelle les modèles plus récents et plus grands sont toujours le meilleur choix pour chaque application d'IA.

Les conclusions mettent également en lumière des problèmes de fiabilité et de biais dans les modèles généralistes. La tendance des LLM à privilégier certains diagnostics indépendamment du type réel de lésion indique un risque d'erreur systématique dans les contextes cliniques. Pour les développeurs, cela signifie que se fier uniquement aux LLM prêts à l'emploi pour un soutien décisionnel critique pourrait introduire des inaccuracies dangereuses. Les modèles spécialisés, même s'ils reposent sur une technologie plus ancienne, peuvent offrir une performance plus prévisible et précise pour des tâches étroites et bien définies.

Ce que vous pouvez faire

• Évaluez si votre tâche de vision nécessite un modèle spécialisé plutôt qu'un LLM généraliste.
• Utilisez des jeux de données organisés et spécifiques au domaine pour l'ajustement fin afin d'améliorer la précision par rapport à l'incitation zéro-shot.
• Testez les biais systématiques dans les sorties des modèles, en particulier dans les applications à enjeux élevés comme les soins de santé.
• Envisagez des modèles légers et spécialisés pour le déploiement en périphérie lorsque la latence et la confidentialité sont des préoccupations.
• Validez la performance du modèle sur des cas difficiles, tels que des échantillons confirmés par biopsie, et non seulement sur des exemples faciles.
• Conservez les architectures éprouvées plus anciennes dans votre boîte à outils comme références pour comparer avec les nouveaux modèles.