Десетгодишна конволюционна невронна мрежа победи съвременните мултимодални LLM при дерматологична диагностика
Източник: Capobussi / Wikimedia Commons
Задълбочено клинично проучване, проведено от изследователската лаборатория LynchLab, разтърси общността по изкуствен интелект с неочакван резултат: класическа конволюционна невронна мрежа (Convolutional Neural Networks, CNN) с 10-годишна архитектура (модифициран ResNet от 2016 г.) категорично надмина най-новите мултимодални гранични езикови модели при ранна дерматологична диагностика с ИИ на рак на кожата [1].
В експеримента са тествани над 15 000 дерматоскопски изображения на пигментни лезии и ранен меланом. Докато флагманските мултимодални модели от 2026 г. генерират красноречиви и убедителни медицински описания, тяхната диагностична чувствителност (способност да открият реално болен пациент) се оказа с 14% по-ниска от тази на старата, строго профилирана CNN архитектура. Нещо по-лошо – големите модели показаха опасен процент на халюциниране на фалшиво отрицателни резултати при атипични лезии.
Причините: Пространствена локализация срещу глобална семантика
Научният анализ обяснява защо модерните визуални трансформатори изостават в тази специфична област на медицинския ИИ (Medical AI):
- Липса на индуктивно отклонение (Inductive Bias): Конволюционните слоеве са математически оптимизирани за локална пространствена транслация – те улавят микроскопични пикселни текстури, неравности в ръбовете и фини пигментни мрежи, които са решаващи за откриване на рак.
- Прекомерно обобщаване на трансформаторите: Мултимодалните LLM разчитат на глобално внимание (self-attention), което често „изглажда“ дребните аномалии, опитвайки се да съгласува изображението с преобладаващите концепции от общия обучителен масив.
- Подвеждаща увереност в отговора: При оценката на модели (Model Evaluation) най-големият риск е, че генеративните модели формулират грешната диагноза с авторитетен медицински тон, който може лесно да подведе неопитен лекар.
Дългосрочни последствия за медицинския софтуерен инженеринг
Резултатите от изследването поставят остро фундаменталния въпрос за специализираните модели срещу генералните LLM. През последните две години технологичната индустрия масово се опита да замени вертикалните, доказани софтуерни алгоритми с универсални генеративни модели, водена от убеждението, че по-големият мащаб на параметрите автоматично гарантира по-висока точност във всяка сфера.
В дългосрочен план медицината ще наложи хибриден архитектурен стандарт. Критичната фаза на откриване на патологии, радиологични аномалии и микроструктурен анализ ще остане запазена територия за компактни, строго проверени конволюционни класификатори, които не халюцинират и имат математически доказуеми граници на грешка. Ролята на големите езикови модели ще се сведе до структуриране на финалния епикризен доклад и обясняване на резултатите на достъпен език за пациента.
Четири фактора, обуславящи победата на ResNet архитектурата при откриване на меланом