Poprawa wyników osób bez specjalistycznej wiedzy w protokołowaniu MRI układu mięśniowo‑szkieletowego za pomocą dużego modelu językowego

Bardziej inteligentne badania dla bolących stawów

Gdy boli kolano, bark czy plecy, lekarze często zlecają rezonans magnetyczny, by zajrzeć do mięśni, stawów i kości. Jednak uzyskanie przydatnego badania MRI nie sprowadza się do naciśnięcia jednego przycisku. Technicy i młodsi lekarze muszą wybierać spośród kilkudziesięciu opcji skanowania, a błędy mogą oznaczać nieostre lub niekompletne obrazy, stracony czas i konieczność ponownego wejścia do skanera. W tym badaniu zadano aktualne pytanie: czy nowoczesne narzędzie językowe AI może dyskretnie towarzyszyć tym niedoświadczonym użytkownikom i pomóc im za pierwszym razem wybrać lepsze ustawienia MRI układu mięśniowo‑szkieletowego?

Dlaczego wybór właściwego protokołu MRI ma znaczenie

MRI układu mięśniowo‑szkieletowego obejmuje ogromną różnorodność części ciała — od palców po kręgosłup — oraz wiele różnych problemów, takich jak urazy sportowe, zapalenia stawów czy infekcje. Każda sytuacja może wymagać innej kombinacji kątów skanowania, obszarów do objęcia i sztuczek zmniejszających artefakty od metalu pochodzącego z implantów. Szpitale zatem utrzymują duże biblioteki protokołów, często setki wariantów, które powstały w wyniku wieloletnich lokalnych prób i błędów. W miarę wzrostu liczby badań obrazowych i obciążenia specjalistycznych radiologów, coraz więcej pracy związanej z „protokołowaniem” przekazywane jest rezydentom i technikom radiologicznym. Błędy mogą zmuszać pacjentów do powrotu na powtórne badania, zaburzając harmonogramy i opóźniając rozpoznania.

Wprowadzenie AI jako współpilota do pomieszczenia kontrolnego

Badacze przetestowali komercyjnie dostępny duży model językowy (GPT‑4o) jako asystenta, a nie zastępstwo dla personelu. Najpierw zgromadzili ponad 12 000 wcześniejszych zleceń MRI układu mięśniowo‑szkieletowego z jednego szpitala, aby zaprojektować szczegółowy prompt instrukcyjny dla AI. Dla każdego przypadku AI otrzymywało zanonimizowane informacje z elektronicznej dokumentacji medycznej: rodzaj zamówionego badania, komentarze klinicysty, ostatnie raporty obrazowe i istotne notatki medyczne. W toku dwu‑tygodniowego iteracyjnego procesu zespół dopracował jeden długi prompt tak, aby AI generowało ustrukturyzowany arkusz roboczy: zalecaną nazwę protokołu, dokładny obszar do zeskanowania, czy stosować redukcję artefaktów metalowych, jak tłumić sygnały tłuszczu, jakiej cewki użyć i inne szczegóły. Do promptu wbudowano reguły minimalizujące zgadywanie i utrzymujące spójność odpowiedzi AI.

Testowanie niedoświadczonych użytkowników z AI

Aby sprawdzić, czy AI rzeczywiście pomaga ludziom, zespół przygotował odrębną próbę testową składającą się ze 107 nowych zleceń MRI. Trzech rezydentów radiologii i trzech techników radiograficznych, wszyscy z mniej niż rocznym doświadczeniem, proszono o wypełnienie arkuszy protokołu dla każdego przypadku dwukrotnie: raz korzystając wyłącznie z własnego osądu, i raz z pomocą AI. Schemat krzyżowy i sześciomiesięczna przerwa między sesjami pomogły zapobiec prostym efektom pamięci. Dwóch ekspertów radiologii układu mięśniowo‑szkieletowego, pracujących na własnych standardowych protokołach wzorcowych, oceniło każdy arkusz w czteropunktowej skali „przejścia klinicznego”, od całkowitej porażki wymagającej pełnego powtórzenia badania aż po znakomite dopasowanie.

Co się zmieniło, gdy AI dołączyło do zespołu

Z pomocą AI średnie oceny wzrosły zarówno dla rezydentów, jak i techników radiografii, a poprawa była statystycznie istotna. Najważniejsza różnica nie polegała na drobnych przesunięciach punktowych, lecz na zmniejszeniu odsetka protokołów uznanych za prawdopodobnie wymagające częściowego lub pełnego powtórzenia MRI. Wśród rezydentów odsetek tych ryzykownych przypadków spadł o około 12%, a wśród techników o około 8%. W ruchliwym oddziale wykonującym około 40 takich badań dziennie mogłoby to przełożyć się na kilka mniej problematycznych badań każdego dnia. Własne wyniki AI były stosunkowo stabilne: gdy ten sam przypadek uruchamiano pięć razy, jego oceny były zgodne, a ponad połowa prób przyniosła za każdym razem znakomity plan. Gdy popełniało błędy, zwykle dotyczyły one drobnych decyzji technicznych, takich jak konkretne metody tłumienia tłuszczu lub dokładne ukierunkowanie, a recenzenci‑ludzie często potrafili wychwycić te problemy w towarzyszącym AI uzasadnieniu.

Jak ludzie korzystali i nadużywali pomocy

Ankiety wśród uczestniczącego personelu ujawniły, jak ludzie rzeczywiście wchodzili w interakcję z narzędziem. Cenne okazały się dodatkowe komentarze AI — dotyczące tego, gdzie dokładnie skupić skan, jakiej cewki użyć i dlaczego dany protokół ma sens. Wielu uczestników później przypominało sobie i powtarzało pomysły AI nawet wtedy, gdy pracowali bez niego, co sugeruje korzyść szkoleniową. Jednocześnie badanie wykryło ślady uprzedzeń automatyzacyjnego i potwierdzającego: uczestnicy mieli tendencję do bardziej polegania na AI, gdy zgadzało się ono z ich początkową intuicją, i czasem podążali za nim nawet wtedy, gdy jego samodzielna ocena była słaba. Mimo to ogólna wydajność rzadko pogarszała się pod wpływem pomocy AI, a tylko niewielka część przypadków została przez nią zaszkodzona.

Co to oznacza dla pacjentów i placówek

Dla pacjenta leżącego w skanerze MRI szczegóły wyboru protokołu są niewidoczne. Jednak to badanie sugeruje, że starannie zaprojektowany model językowy AI, używany przez zwykły interfejs czatu, może dyskretnie podnosić jakość planowania MRI układu mięśniowo‑szkieletowego przez młodszy personel i zmniejszać liczbę badań wymagających powtórzenia. System nie zastępuje ekspertów‑radiologów, a jego skuteczność zależy od lokalnych reguł i przemyślanego nadzoru. Jako praktyczny współpilot, który pomaga niedoświadczonym wybrać lepsze ustawienia za pierwszym razem, daje jednak wgląd w to, jak AI może uczynić zaawansowane obrazowanie bardziej efektywnym i przyjaźniejszym dla pacjenta.

Cytowanie: 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

Słowa kluczowe: MRI układu mięśniowo‑szkieletowego, proces radiologiczny, duże modele językowe, wsparcie decyzji klinicznych, sztuczna inteligencja w obrazowaniu medycznym