Повышение качества протоколирования МРТ опорно-двигательного аппарата непрофессионалами с помощью крупной языковой модели

Умнее сканирование для болящих суставов

Когда болит колено, плечо или спина, врачи часто назначают МРТ, чтобы заглянуть внутрь мышц, суставов и костей. Но получить полезное МРТ нельзя просто нажатием кнопки. Техникам и молодым врачам приходится выбирать из десятков параметров сканирования, и ошибки могут привести к размытым или неполным изображениям, потере времени и необходимости повторного обследования. В этом исследовании задается своевременный вопрос: может ли современный языковой ИИ незаметно сидеть рядом с этими непрофессионалами и помогать им с первого раза выбирать более подходящие настройки для МРТ опорно-двигательного аппарата?

Почему важно правильно выбирать МРТ‑протокол

МРТ опорно-двигательного аппарата охватывает огромный спектр анатомии — от пальцев до позвоночника — и множество разных патологий, таких как спортивные травмы, артрит и инфекции. Каждая ситуация может требовать своей комбинации углов сканирования, охвата области и приёмов для уменьшения артефактов от металла. Поэтому больницы поддерживают большие библиотеки протоколов, зачастую с сотнями вариантов, сформированных годами местных проб и ошибок. По мере роста объема исследований и перегруженности специализированных рентгенологов часть этой работы по «протоколированию» передается ординаторам и рентген-лаборантам. Ошибки вынуждают пациентов возвращаться для повторного сканирования, что нарушает расписание и задерживает постановку диагноза.

Привлечение ИИ‑копилота в операторскую

Исследователи протестировали коммерчески доступную крупную языковую модель (GPT‑4o) как помощника, а не замену персоналу. Они сначала собрали более 12 000 прошлых назначений МРТ опорно-двигательного аппарата из одной больницы, чтобы сформировать подробный инструктивный запрос для ИИ. Для каждого случая модель получала анонимизированную информацию из электронной медицинской карты: тип назначенного исследования, комментарии врача, недавние отчеты по визуализации и релевантные заметки. В ходе двухнедельного итеративного процесса команда доработала единый длинный промпт так, чтобы ИИ выдавал структурированный рабочий лист: рекомендованное название протокола, точную область сканирования, необходимость снижения артефактов от металла, как подавлять жировой сигнал, какую катушку использовать и другие детали. В промпт заложили правила, чтобы минимизировать догадки и обеспечить согласованность ответов ИИ.

Испытание непрофессионалов с ИИ

Чтобы выяснить, действительно ли ИИ помогает людям, команда составила отдельный тестовый набор из 107 новых назначений МРТ. Трое ординаторов и трое рентген-лаборантов, все с опытом менее года, должны были заполнить рабочие листы протоколов для каждого случая дважды: сначала, полагаясь только на собственное суждение, и затем с помощью ИИ. Кроссовер-дизайн и шестимесячный интервал между сессиями помогли предотвратить простые эффекты памяти. Два эксперта в области МРТ опорно-двигательного аппарата, опираясь на собственные эталонные протоколы, оценивали каждый рабочий лист по четырехбалльной шкале «клиническая пригодность», отражающей реальные последствия — от полного провала, требующего повторного сканирования, до отличного соответствия.

Что изменилось с появлением ИИ в команде

С помощью ИИ средние баллы повысились как для ординаторов, так и для рентген-лаборантов, и улучшение было статистически значимым. Наиболее существенное изменение заключалось не в небольших сдвигах оценок, а в сокращении доли протоколов, которые, по оценке, скорее всего вызовут частичное или полное повторное МРТ. Для ординаторов доля таких рискованных случаев снизилась примерно на 12%; для рентген-лаборантов — примерно на 8%. В загруженном отделении, где выполняют около 40 таких исследований в день, это может означать несколько меньшего числа проблемных сканирований ежедневно. Сам ИИ показывал относительно стабильные результаты: при повторном запуске одного и того же случая пять раз его оценки хорошо согласовывались, и в более чем половине запусков он каждый раз давал отличный план. Когда модель ошибалась, проблемы обычно касались тонких технических выборов — например, конкретных методов подавления жира или точного нацеливания — и человеческие эксперты часто могли обнаружить эти ошибки, изучив обоснование ИИ.

Как люди использовали и неправильно использовали помощь

Опросы участников показали, как люди фактически взаимодействовали с инструментом. Особенно ценными оказались дополнительные комментарии ИИ — о том, куда именно сфокусировать сканирование, какую катушку использовать и почему выбран тот или иной протокол. Многие участники позже вспоминали и повторно применяли идеи ИИ даже без его участия, что говорит о тренировочном эффекте. Вместе с тем в исследовании обнаружились признаки автоматизационного и подтверждающего смещения: участники чаще опирались на ИИ, когда его рекомендация совпадала с их первоначальной интуицией, и иногда следовали ей, даже если самостоятельная оценка ИИ была низкой. Тем не менее в целом эффективность редко ухудшалась при помощи ИИ, и лишь в небольшой доле случаев его предложения нанесли вред.

Что это значит для пациентов и клиник

Для пациента, лежащего в МРТ‑сканере, внутренние детали выбора протокола невидимы. Тем не менее это исследование показывает, что тщательно разработанная языковая модель ИИ, доступная через обычный чат‑интерфейс, может незаметно повысить качество планирования МРТ опорно-двигательного аппарата, выполняемого младшим персоналом, и сократить число повторных исследований. Система не заменяет экспертов‑радиологов, и её эффективность зависит от локальных правил и вдумчивого надзора. Но как практический копилот, помогающий непрофессионалам с первого раза выбирать лучшие настройки, она демонстрирует, как ИИ может сделать сложную визуализацию более эффективной и комфортной для пациентов.

Цитирование: 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

Ключевые слова: МРТ опорно-двигательного аппарата, рабочий процесс радиологии, крупные языковые модели, клиническая поддержка принятия решений, ИИ в медицинской визуализации