資料不是多就有用：皮膚癌實測續篇，訓練影像與題目同來源才是準確率關鍵

上一篇〈定義題目即決定結果〉用 Magnus Lynch 公開的皮膚癌 200 例題庫，測出六個地端視覺語言模型最好只有 34%，五種提示方法沒有一種加到 10 分，結論是準確率靠資料而不是架構。這一篇把「資料」這件事拆開來做：範例圖從每類 2 張加到 100 張，看提示能不能靠數量追上；再用同一張 RTX A6000 48 GB 把十年前的 Inception v3、2022 年的 ConvNeXt-Tiny 和 Qwen3-VL-4B 分別微調，訓練資料從 600 張一路加到 25,623 張，而且刻意分成「與考題同來源」和「不同來源」兩種。結果是：同來源 2,851 張微調的 CNN 拿到 58%，不同來源 6,000 張只有 36%；兩者合起來 7,398 張得 68%，超過作者用 68,011 張得到的 62%。決定準確率的不是張數，是訓練資料和題目是不是同一個分布。

這個實驗在測什麼

題目與上一篇相同：作者從 MILK10k（ISIC 2025 年公開的資料集）隨機抽 200 例，全部有病理確診，六類比例是黑色素瘤 30、基底細胞癌 25、鱗狀細胞癌 25、光化性角化 20、痣 50、脂漏性角化 50。每例給臨床照片與皮膚鏡影像各一張，模型選一個第一診斷。作者的參考數字：GPT-6 Astra 84（42%）、Claude Fable 5.1 85（42%）、Inception v3 CNN 以 68,011 張影像微調後 125（62%）。

這一篇要回答三個問題：

1. 不訓練、只在提示裡塞更多標好答案的範例圖，視覺語言模型能追到多高？

2. 用同樣的資料去微調，CNN 和視覺語言模型誰學得快、學得準？

3. 訓練資料的「數量」和「來源」哪一個更決定結果？

本站的做法

• 範例圖學習曲線：從 ISIC Archive 另抓六類各 100 張皮膚鏡影像（病理確診優先，排除測試 200 例及同病灶的所有影像），每類取 10、50、100 張標好答案放進提示，Gemma 4 31B 三級都跑，MedGemma 27B 只跑 10 張那級。範例順序固定，讓 Ollama 的提示快取生效；MedGemma 的快取不穩（平均每題重讀圖 23 秒），50 張以上沒有跑。
• 微調的三種模型：Inception v3（2015 年，timm 的 ImageNet 權重，全層微調）、ConvNeXt-Tiny（2022 年，ImageNet-22k 預訓練，全層微調）、Qwen3-VL-4B-Instruct（LoRA r=16，預設只訓語言層，另跑一組連視覺編碼器一起訓）。CNN 訓練 12 到 30 輪、取驗證集最好的一輪；LoRA 1 到 3 輪。
• 訓練資料分四級，全部排除測試 200 例與同病灶影像：

- 600 張：與範例圖同一批（ISIC 各類 100 張）。

- 約 6,000 張：ISIC 各類 1,000 張（鱗狀細胞癌只有 757 張）。ISIC 的搜尋 API 依建檔時間排序，這批多半是 2016 年前後的舊集子，與 MILK10k 不同來源。

- 2,851 張：只取 MILK10k 本身（ISIC collection 425），與考題同一套相機與標註流程。各類：基底細胞癌 1,000、痣 586、鱗狀細胞癌 466、黑色素瘤 406、脂漏性角化 290、光化性角化 103。

- 25,623 張：ISIC 全檔這六類全拿（痣與基底細胞癌各上限 8,000 張、不限確診方式），含上述三批。

• 評分程式與上一篇同一套，比第一診斷正確數，同時看黑色素瘤 30 例抓到幾例。
• 全部在一張 RTX A6000 上跑；每一級的訓練時間都列在下面，因為「要花多少算力」是選工具的一部分。

一、把範例圖加到 100 張，提示追不上

每類 10 張是最好的一級，Gemma 4 31B 從 34% 到 40%，剛好追上雲端兩個旗艦的 42% 附近；再加到 50 張、100 張反而掉回 36% 到 38%，每題耗時卻從 4 秒變 41 秒。100 張那級黑色素瘤只抓到 5 例。原因看每類被判的次數就清楚：範例越多，模型越傾向把答案押在範例裡最像的那幾張，而不是從影像本身學到類別的紋理。提示裡的範例圖是「給它看」，不是「教它學」，看得再多也沒有把權重改掉。

二、同樣的資料拿去微調，CNN 學得快得多

同樣 6,000 張不同來源的影像：Inception v3 三分鐘學到 36%，ConvNeXt-Tiny 五分鐘學到 46%，已經超過雲端旗艦；Qwen3-VL-4B 的 LoRA 跑了 94 分鐘反而從 600 張的 40% 退到 32%，而且幾乎不再判痣，把 100 例可出院的病人留下了 98 例。視覺語言模型的分類能力藏在語言層後面，LoRA 只改動 0.9% 的參數，資料一多就被帶偏；CNN 的最後一層就是這六類的機率，每一張影像都直接改到它。

三、資料來源比數量更決定結果

這張圖是整篇的重點。

• 同一個 Inception v3，2,851 張同來源的影像得 58%，6,000 張不同來源只有 38%。張數少一半，分數高 20 個百分點。
• 兩批合起來 7,398 張得 68%，是全部實驗的最高分，超過作者 68,011 張的 62%。再把 ISIC 全檔 25,623 張全部倒進去，反而降到 66%；張數多三倍多，沒有換到任何進步，因為多出來的影像是別的醫院、別的相機、別的年代，對這 200 題來說是噪音。
• 視覺語言模型同樣的走勢：同來源 2,851 張 52%（連視覺編碼器一起訓 56%），加到 25,623 張掉到 50%。它和 CNN 的差距在每一級都是 10 到 16 個百分點，而且訓練時間是 CNN 的 10 倍。
• 只訓最後一層的 Inception v3 得 42%，和全層微調差 16 個百分點：對皮膚鏡影像來說，ImageNet 學到的特徵不夠用，要把底層卷積一起重訓。

這裡要先說一個限制：本站 68% 的那組，訓練影像和考題同樣來自 MILK10k。雖然測試病例與同病灶的所有影像都排除在訓練外，它仍然享有「同一家醫院、同一套器材」的優勢，換另一家醫院的影像一定會掉。作者的 62% 是用 ISIC 全檔訓練的，跨來源的能力應該比本站的 68% 好。這兩個數字要放在一起讀，不能單獨拿 68% 當成可用的產品數字。

遇到的問題

1. ISIC 的搜尋 API 預設依建檔時間排序，第一次抓的「6,000 張」幾乎全是 2016 年前後的集子，和 2025 年的 MILK10k 差很多。這個意外反而成了本篇最有用的對照組，但抓資料時一定要看來源分布，不能只看張數。

2. 痣的舊資料多數沒有病理確診（臨床判定即收錄），本站抓同來源那級時改用病理確診優先的查詢；ISIC 全檔那級為了湊數不限確診方式，這也是它表現不如 7,398 張那組的原因之一。

3. MedGemma 27B 的多範例提示快取不穩定，Ollama 每題都重讀 60 張圖，平均 23 秒；50 張以上的級距沒有跑。Gemma 4 31B 的 100 張那級在本站的 2 小時逾時前只跑完 195 例，剩下 5 例用同樣設定補跑。

結論

1. 資料要和題目同一個分布，數量其次。 同來源 2,851 張勝過不同來源 6,000 張，7,398 張勝過 25,623 張，也勝過作者的 68,011 張。上一篇說「定義題目即決定結果」，這篇補上後半句：定義題目包括定義資料來源，訓練影像的相機、標註流程和年代與考題不一致，多幾倍的資料也只是噪音。

2. 小模型加對的資料，勝過大模型加很多提示。 一張 A6000 跑 11 分鐘的 Inception v3 得 68%；Gemma 4 31B 給 100 張範例圖花 41 秒一題只到 38%，雲端旗艦 42%，視覺語言模型微調最好 56%。同樣的資料，放進專門的分類器比放進通用模型有效得多，也便宜得多。

3. 通用模型的位置是分流與說明，不是判讀。 六選一這種封閉分類，視覺語言模型不管是提示還是微調都追不上 CNN；它的強項是讀病歷、解釋結果、處理沒見過的情況。合理的架構是 CNN 判讀、LLM 解釋與補位，而不是二選一。

上一篇：定義題目即決定結果：本站重現皮膚癌 200 例實測說明準確率靠資料量而非架構 用同一批 200 例測六個地端模型與五種提示方法，本篇的基線與評分方式都承接自該篇。

本文不是醫療建議，也不代表任何模型可用於臨床。作者的 CNN 與雲端模型數字引自作者公布，本站未重跑。訓練影像取自 ISIC Archive，授權為 CC-0、CC-BY 與 CC-BY-NC 混合；MILK10k 影像為 CC-BY-NC，著作權屬 MILK study team，本站僅用於非商業的研究重現，影像本身未重製於本文。