Förbättrad prestanda hos icke-experter vid protokollval för muskuloskelettal MR med hjälp av en stor språkmodell

Smartare skanningar för värkande leder

När du skadar ett knä, en axel eller ryggen beställer läkare ofta en MR-undersökning för att se in i muskler, leder och ben. Men att få en användbar MR är inte lika enkelt som att trycka på en knapp. Tekniker och juniora läkare måste välja bland dussintals skanningsalternativ, och misstag kan ge suddiga eller ofullständiga bilder, slöseri med tid och ett återbesök i skannern. Denna studie ställer en aktuell fråga: kan ett modernt AI-språkverktyg tyst sitta bredvid dessa icke-experter och hjälpa dem att välja bättre inställningar för muskuloskeletal MR från början?

Varför rätt val av MR är viktigt

Muskuloskeletal MR täcker ett stort antal kroppsområden — från fingrar till ryggrad — och många olika problem, såsom idrottsskador, artros och infektioner. Varje situation kan kräva en annan kombination av snittvinklar, områden att täcka och tekniker för att minska metallartefakter från implantat. Sjukhus upprätthåller därför stora bibliotek av protokoll, ofta hundratals variationer, som har utvecklats genom år av lokala erfarenheter. När bilddiagnostikens arbetsbelastning ökar och specialistradiologer blir knappare, överlåts mer av detta protokollarbete till ST-läkare och röntgentekniker. Fel kan tvinga patienter att komma tillbaka för upprepade undersökningar, vilket stör scheman och fördröjer diagnoser.

Att ta in en AI-kopilot i kontrollrummet

Forskarna testade en kommersiellt tillgänglig stor språkmodell (GPT‑4o) som en assistent snarare än ersättning för mänsklig personal. De började med att samla in mer än 12 000 tidigare muskuloskeletala MR-ordrar från ett sjukhus för att utforma en detaljerad instruktion till AI:n. För varje fall fick AI:n anonymiserad information hämtad från den elektroniska journalen: vilken typ av undersökning som beställts, klinikerns kommentarer, senaste bildrapporter och relevanta medicinska anteckningar. Genom en iterativ tvåveckorsprocess förfinade teamet en långtgående instruktion så att AI:n skulle leverera ett strukturerat arbetsblad: rekommenderat protokollnamn, exakt område att skanna, om man skulle använda metalldämpning, hur man skulle undertrycka fettsignaler, vilken spole som skulle användas och andra detaljer. De byggde in regler i instruktionen för att minimera gissningar och hålla AI:ns svar konsekventa.

Att testa icke-experter tillsammans med AI

För att se om AI faktiskt hjälpte människor samlade teamet ett separat testset med 107 nya MR-ordrar. Tre radiologresidenter och tre röntgentekniker, alla med mindre än ett års erfarenhet, ombads att fylla i protokollsformulär för varje fall två gånger: en gång med enbart eget omdöme och en gång med AI-assistans. En crossover-design och ett sex månaders uppehåll mellan sessionerna hjälpte till att förhindra enkla minneseffekter. Två expertradiologer inom muskuloskeletal diagnostik, som arbetade utifrån sina egna guldtandardprotokoll, poängsatte varje arbetsblad på en fyragradig "klinisk godkänd"-skala som speglade verkliga konsekvenser, från ett komplett misslyckande som kräver full upprepning till en utmärkt överensstämmelse.

Vad som förändrades när AI gick med i teamet

Med AI:ns hjälp ökade genomsnittspoängen för både residenterna och röntgenteknikerna, och förbättringen var statistiskt signifikant. Den mest meningsfulla skillnaden var inte små poängförskjutningar, utan att andelen protokoll som bedömdes sannolikt leda till partiell eller full upprepning minskade. För residenterna sjönk dessa riskfyllda fall med cirka 12 %; för röntgenteknikerna med cirka 8 %. I en upptagen avdelning som hanterar runt 40 sådana undersökningar per dag kan det översättas till flera färre problematiska undersökningar dagligen. AI:ns egna förslag var relativt stabila: när samma fall kördes fem gånger var dess bedömningar väl överens, och mer än hälften av gångerna levererade den en utmärkt plan i varje körning. När den gjorde fel rörde problemen vanligtvis tekniska finesser, såsom specifika metoder för fettsläckning eller exakt målinriktning, och mänskliga granskare kunde ofta upptäcka dessa brister i AI:ns medföljande resonemang.

Hur människor använde och missbrukade hjälpen

Enkäter bland den deltagande personalen visade hur människor faktiskt interagerade med verktyget. De fann AI:ns kompletterande kommentarer — om var exakt skanningen skulle fokuseras, vilken spole som skulle användas och varför ett visst protokoll var motiverat — särskilt värdefulla. Många deltagare mindes senare och återanvände idéer från AI:n även när de arbetade utan den, vilket tyder på en träningsmässig fördel. Samtidigt upptäckte studien spår av automatiseringsbias och bekräftelsebias: deltagare tenderade att lita mer på AI:n när den stämde överens med deras initiala magkänsla, och följde den ibland även när dess fristående poäng var svag. Trots detta försämrades den övergripande prestationen sällan med AI-hjälp, och endast en liten andel fall påverkades negativt av dess förslag.

Vad detta betyder för patienter och kliniker

För en patient som ligger i en MR-skanner är de bakomliggande detaljerna i protokollval osynliga. Ändå antyder denna studie att en noggrant utformad språkmodell för AI, använd via en vanlig chattgränssnitt, tyst kan höja kvaliteten på planeringen av muskuloskeletal MR hos junior personal och minska antalet undersökningar som behöver göras om. Systemet ersätter inte expertradiologer, och dess prestanda beror på lokala regler och genomtänkt tillsyn. Men som en praktisk kopilot som hjälper icke-experter att välja bättre inställningar från början, ger det en fingervisning om hur AI kan göra avancerad bilddiagnostik både mer effektiv och mer patientvänlig.

Citering: 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

Nyckelord: muskuloskeletal MR, radiologiskt arbetsflöde, stora språkmodeller, kliniskt beslutsstöd, AI för medicinsk bilddiagnostik