10年前的老CNN，竟比前沿大模型更会看皮肤癌

一个反直觉的对比结果

Hacker News 上一条讨论引发关注：一个已有十年历史的卷积神经网络（CNN），在皮肤癌诊断任务上表现优于当前的前沿大语言模型。原始帖子只有一句结论和 61 个点赞、25 条评论，信息量不大，但它抛出的问题值得深挖——当所有人都在追逐通用大模型时，那些被时间验证过的专用小模型，是否被低估了？

需要说明的是，原始素材并未披露具体的模型名称、数据集、评测指标和实验设置，因此本文不引用具体数字，而是围绕这一结论展开方法论层面的分析，并标注哪些判断属于合理推断。

为什么专用 CNN 能赢过通用大模型

图像任务的"先天差异"

皮肤癌诊断本质上是细粒度图像分类问题：病灶的边界形态、颜色分布、纹理结构决定了良恶性判断。CNN 的卷积核天生适合提取这类局部空间特征，而多数通用大语言模型的主战场是文本，即便具备多模态能力，其视觉编码器往往是在通用图文数据上预训练的，对医学影像的领域偏移（domain shift）更为敏感。

一个十年前针对皮肤镜图像专门训练的 CNN，可能在架构上并不先进，但它的归纳偏置与任务高度匹配，加上训练数据分布贴近临床场景，反而形成了优势。

领域偏移（domain shift） 指模型在训练数据分布与部署数据分布不一致时出现的性能衰减。以皮肤镜图像为例，通用图文预训练中极少出现高质量、多肤色、标准化采集的病灶影像，模型学到的视觉表征会与临床图像存在系统性偏差。CNN 的优势在于其归纳偏置（局部连接、权值共享、平移不变性）与图像的二维空间结构天然契合，且可以针对目标域做端到端微调，从而把领域偏移压缩在可控范围内。相比之下，多模态大模型的视觉编码器通常冻结或仅做轻量适配，领域适应能力受限。

十年积累的不只是模型，还有数据管线

这类结论背后通常隐藏着一条容易被忽略的事实：老模型的竞争力往往来自配套的数据治理。皮肤镜图像的采集设备、光照条件、肤色分布、标注规范，都会显著影响模型表现。一个经过多年迭代的专用系统，其数据清洗和标注流程可能比模型结构本身更值钱。

换句话说，比较的未必是"CNN vs LLM"，而是"成熟医学影像管线 vs 通用多模态能力"。这个视角下，结论就没那么令人意外了。

数据治理管线 包括采集标准化、去重、标注规范、质量抽检和版本管理。在医学影像中，同一患者的多个病灶、不同设备与光照条件、标注者间分歧都会引入噪声。成熟的管线通过患者级划分、多标注者一致性校验、图像质量筛查等手段降低这些风险，使模型学到的是病灶本身的判别特征，而非采集偏差。这也是为什么在复现或对比研究时，数据管线的透明度往往比模型架构更能决定结论的可信度。

这对 AI 应用落地意味着什么

通用大模型不是万能解

Hacker News 评论区的一个常见分歧是：这能否说明大模型被高估？更准确的理解是，任务专用性仍然是模型选型的首要变量。在医学影像、工业质检、遥感解译等垂直领域，一个参数量小、推理成本低、可解释性强的专用模型，可能比调用通用大模型 API 更划算，也更容易通过监管审查。

评测基准比模型本身更关键

任何"A 打败 B"的结论都高度依赖评测设置。皮肤癌诊断的常见陷阱包括：数据集是否存在重复样本、良恶性类别是否平衡、是否按患者而非图像划分训练测试集。如果评测集划分不当，模型可能只是记住了同一患者的相似病灶。原始讨论没有给出这些细节，因此对该结论应保持审慎——它更可能是一个值得复现的研究线索，而非定论。

患者级数据划分 是医学影像评测中的关键设计：若按图像随机划分训练集与测试集，同一患者的相似病灶可能同时出现在两侧，导致模型“记住”患者特征而非学习疾病特征，从而虚高指标。规范做法是按患者 ID 划分，确保测试集患者与训练集无重叠。此外还需报告类别平衡策略、敏感度/特异度、AUC 及置信区间，并说明是否使用外部独立数据集验证，否则“A 打败 B”的结论难以成立。

给技术选型的几点参考

先明确任务是否属于窄领域高精度需求，若是，优先评估专用小模型而非直接上通用大模型
比较模型时，重点关注数据管线和评测集构造，而不只是架构新旧
对"老模型逆袭"类结论，先检查数据集划分与类别平衡，再判断可信度
在受监管场景（医疗、金融）中，可解释性和可审计性往往比榜单分数更重要

结语

这条 Hacker News 讨论的价值不在于证明 CNN 优于 LLM，而在于提醒从业者：模型的新旧与任务表现之间没有必然关系。在垂直领域，数据质量、任务匹配度和评测严谨性，常常比参数规模更能决定最终效果。对这类结论保持兴趣，同时保持对评测细节的追问，是更健康的态度。