Améliorer les performances des non-spécialistes dans la prescription d’IRM musculosquelettiques grâce à un grand modèle de langage

Des examens plus intelligents pour des articulations douloureuses

Quand vous vous blessez au genou, à l’épaule ou au dos, les médecins prescrivent souvent une IRM pour regarder à l’intérieur des muscles, des articulations et des os. Mais obtenir une IRM utile n’est pas aussi simple qu’appuyer sur un bouton. Les techniciens et les médecins juniors doivent choisir parmi des dizaines d’options de séquences, et une erreur peut conduire à des images floues ou incomplètes, du temps perdu et une deuxième séance au scanner. Cette étude pose une question actuelle : un outil d’IA linguistique moderne peut‑il s’installer discrètement aux côtés de ces non‑spécialistes et les aider à choisir dès la première fois de meilleurs paramètres pour l’IRM musculosquelettique ?

Pourquoi bien choisir une IRM est important

L’IRM musculosquelettique couvre un grand nombre de régions du corps — des doigts à la colonne vertébrale — et de multiples problèmes, comme les blessures sportives, l’arthrite ou les infections. Chaque situation peut nécessiter une combinaison différente d’angles de coupe, de zones à couvrir et d’astuces pour réduire les artéfacts métalliques liés aux implants. Les hôpitaux conservent donc d’importantes bibliothèques de protocoles, souvent des centaines de variantes, élaborées au fil d’années d’essais locaux. À mesure que la charge d’imagerie augmente et que les radiologues spécialistes sont débordés, une part croissante de ce travail de « protocolisation » est confiée à des internes et des manipulateurs. Les erreurs peuvent obliger les patients à revenir pour des examens répétés, perturbant les plannings et retardant les diagnostics.

Introduire un copilote IA dans la salle de contrôle

Les chercheurs ont testé un grand modèle de langage commercialement disponible (GPT‑4o) comme assistant, et non comme remplaçant du personnel humain. Ils ont d’abord rassemblé plus de 12 000 prescriptions d’IRM musculosquelettiques issues d’un hôpital pour concevoir une consigne détaillée destinée à l’IA. Pour chaque cas, l’IA recevait des informations anonymisées tirées du dossier médical électronique : le type d’examen demandé, les commentaires du clinicien, des comptes rendus d’imagerie récents et des notes médicales pertinentes. Au cours d’un processus itératif de deux semaines, l’équipe a affiné une seule consigne longue afin que l’IA génère une fiche structurée : nom du protocole recommandé, zone exacte à imager, nécessité ou non d’une réduction des artéfacts métalliques, méthode de suppression des signaux de graisse, bobine à utiliser et autres détails. Des règles ont été intégrées à la consigne pour limiter les hypothèses et maintenir la cohérence des réponses de l’IA.

Mettre non‑spécialistes et IA à l’épreuve

Pour vérifier si l’IA aidait réellement les personnes, l’équipe a constitué un jeu de test distinct de 107 nouvelles demandes d’IRM. Trois internes en radiologie et trois manipulateurs, tous avec moins d’un an d’expérience, ont été invités à remplir des fiches de protocole pour chaque cas à deux reprises : une fois en s’appuyant uniquement sur leur jugement, et une fois avec l’aide de l’IA. Un plan en crossover et un intervalle de six mois entre les sessions ont aidé à prévenir de simples effets de mémoire. Deux radiologues musculosquelettiques experts, se basant sur leurs propres protocoles de référence, ont noté chaque fiche sur une échelle de « réussite clinique » en quatre points reflétant les conséquences réelles, depuis un échec complet nécessitant une reprise intégrale jusqu’à une correspondance excellente.

Ce qui a changé quand l’IA a rejoint l’équipe

Avec l’aide de l’IA, les scores moyens ont augmenté pour les internes comme pour les manipulateurs, et l’amélioration était statistiquement significative. La différence la plus importante ne résidait pas dans de petits déplacements de score, mais dans la réduction de la part des protocoles jugés susceptibles d’entraîner une reprise partielle ou totale de l’IRM. Pour les internes, ces cas à risque ont diminué d’environ 12 % ; pour les manipulateurs, d’environ 8 %. Dans un service chargé traitant environ 40 de ces examens par jour, cela pourrait se traduire par plusieurs examens problématiques en moins chaque jour. Les sorties de l’IA étaient relativement stables : lorsqu’un même cas était soumis cinq fois, ses évaluations étaient concordantes, et plus de la moitié du temps elle produisait un plan excellent à chaque exécution. Lorsqu’elle se trompait, les erreurs concernaient généralement des choix techniques fins, comme des méthodes spécifiques de suppression de la graisse ou un ciblage précis, et les examinateurs humains pouvaient souvent repérer ces problèmes dans le raisonnement fourni par l’IA.

Comment les gens ont utilisé et mal utilisé l’aide

Des enquêtes auprès du personnel participant ont révélé comment les humains interagissaient réellement avec l’outil. Ils ont jugé particulièrement utiles les commentaires complémentaires de l’IA — sur l’endroit exact à cibler, la bobine à utiliser et la justification d’un protocole donné. Nombre de participants ont ensuite retenu et réutilisé des idées proposées par l’IA même lorsqu’ils travaillaient sans elle, ce qui suggère un bénéfice pédagogique. Dans le même temps, l’étude a mis en évidence des traces de biais d’automatisation et de biais de confirmation : les participants avaient tendance à s’appuyer davantage sur l’IA lorsque celle‑ci confirmait leur intuition initiale, et suivaient parfois ses recommandations même lorsque son évaluation autonome était médiocre. Toutefois, globalement, les performances se sont rarement détériorées avec l’aide de l’IA, et seule une faible proportion de cas a été affectée négativement par ses suggestions.

Ce que cela signifie pour les patients et les cliniques

Pour un patient allongé dans un appareil d’IRM, les détails en coulisses de la sélection du protocole sont invisibles. Pourtant, cette étude suggère qu’un modèle de langage conçu avec soin, utilisé via une interface de chat ordinaire, peut discrètement améliorer la qualité de la planification des IRM musculosquelettiques par du personnel junior et réduire le nombre d’examens à reprendre. Le système ne remplace pas les radiologues experts, et ses performances dépendent des règles locales et d’une supervision attentive. Mais en tant que copilote pratique aidant les non‑spécialistes à choisir de meilleurs paramètres dès la première fois, il offre un aperçu de la manière dont l’IA pourrait rendre l’imagerie avancée à la fois plus efficace et plus conviviale pour les patients.

Citation: Lee, S., Choi, H., Chun, K.S. et al. Improving non-expert performance in musculoskeletal MRI protocoling through a large language model. Sci Rep 16, 12423 (2026). https://doi.org/10.1038/s41598-026-41898-1

Mots-clés: IRM musculosquelettique, flux de travail en radiologie, grands modèles de langage, aide à la décision clinique, IA pour l’imagerie médicale