Geniş dil modeli ile kas-iskelet MRG protokolleştirmesinde uzman olmayan performansını geliştirmek

Ağrıyan Eklemler İçin Daha Akıllı Taramalar

Diz, omuz veya sırtta ağrı hissettiğinizde, doktorlar kas, eklem ve kemiklerin içini görmek için sık sık MRG ister. Ancak işe yarar bir MRG çekmek düğmeye basmaktan daha karmaşıktır. Teknikerler ve yeni mezun doktorlar onlarca tarama seçeneği arasından seçim yapmak zorundadır; hatalar bulanık veya eksik görüntüler, zaman kaybı ve tekrar tarama gerektirebilir. Bu çalışma güncel bir soruyu gündeme getiriyor: modern bir yapay zeka dil aracı, uzman olmayanların yanında sessizce durarak kas-iskelet MRG ayarlarını ilk seferde daha iyi seçmelerine yardımcı olabilir mi?

Doğru MRG Seçiminin Neden Önemi Var

Kas-iskelet MRG’si, parmaklardan omurgaya kadar çok çeşitli vücut parçalarını ve spor yaralanmaları, artrit veya enfeksiyonlar gibi birçok farklı sorunu kapsar. Her durum, farklı tarama açılarının, kapsanacak alanların ve implantlardan kaynaklanan metal artefaktlarını azaltma yöntemlerinin bir kombinasyonunu gerektirebilir. Bu nedenle hastaneler yılların yerel deneme-yanılma süreciyle gelişen, genellikle yüzlerce varyasyondan oluşan büyük protokol kitaplıklarına sahiptir. Görüntüleme iş yükleri arttıkça ve uzman radyologlar yeterince zamana sahip olmadıkça, bu “protokolleştirme” işinin daha fazlası asistanlara ve radyograf teknikerlere devredilir. Hatalar, hastaları tekrar taramaya zorlayarak programları aksatabilir ve tanıların gecikmesine neden olabilir.

Kontrol Odasına Bir Yapay Zeka Yardımcısı Getirmek

Araştırmacılar, mevcut ticari bir geniş dil modelini (GPT‑4o) insan personelin yerine değil asistanı olarak test etti. Öncelikle bir hastaneden geçmişe ait 12.000’den fazla kas-iskelet MRG isteğini toplayarak yapay zeka için ayrıntılı bir talimat istemi (prompt) tasarladılar. Her olgu için yapay zekaya elektronik sağlık kaydından anonimleştirilmiş bilgiler verildi: istenen inceleme türü, klinisyenin yorumları, son görüntüleme raporları ve ilgili tıbbi notlar. İki haftalık yinelemeli bir süreçte ekip, yapay zekanın yapılandırılmış bir çalışma sayfası çıktısı vermesini sağlamak için tek bir uzun istemi (prompt) geliştirdi: önerilen protokol adı, taranacak kesin alan, metal-artefakt azaltımının kullanılıp kullanılmayacağı, yağ sinyallerinin nasıl baskılanacağı, hangi bobinin (coil) kullanılacağı ve diğer ayrıntılar. Tahmin yürütmeyi azaltmak ve yapay zekanın yanıtlarını tutarlı tutmak için isteme kurallar yerleştirildi.

Uzman Olmayanları ve Yapay Zekayı Test Etmek

Yapay zekanın gerçekten insanlara yardımcı olup olmadığını görmek için ekip, 107 yeni MRG isteğinden oluşan ayrı bir test seti topladı. Bir yıldan az deneyime sahip üç radyoloji asistanı ve üç radyograf, her olgu için çalışma sayfalarını iki kez doldurmaya çağrıldı: bir kez yalnızca kendi yargılarıyla, bir kez de yapay zeka yardımıyla. Çapraz tasarım ve oturumlar arasındaki altı aylık boşluk, basit hafıza etkilerini önlemeye yardımcı oldu. İki uzman kas-iskelet radyoloğu, kendi altın standart protokollerinden hareketle her çalışma sayfasını, tam tekrar tarama gerektiren bir tamamen başarısız durumdan mükemmel uyuma kadar gerçek dünya sonuçlarını yansıtan dört puanlı bir “klinik geçiş” ölçeğinde puanladı.

Yapay Zeka Takıma Katıldığında Neler Değişti

Yapay zekanın yardımıyla, asistanlar ve radyograflar için ortalama puanlar yükseldi ve bu artış istatistiksel olarak anlamlıydı. En anlamlı fark küçük puan kaymalarında değil, kısmi veya tam tekrar MRG’yi tetiklemesi muhtemel protokollerin payının azalmasındaydı. Asistanlarda bu riskli olgular yaklaşık %12; radyograflarda ise yaklaşık %8 azaldı. Günde yaklaşık 40 böyle inceleme yapan yoğun bir bölümde bu, günlük birkaç problemli taramanın azalması anlamına gelebilir. Yapay zekanın kendi çıktıları da nispeten stabildi: aynı olgu beş kez çalıştırıldığında, puanları iyi derecede tutarlıydı ve her çalıştırmada mükemmel bir plan üretme oranı %50’den fazlaydı. Hata yaptığında, genellikle yağ baskılama yöntemleri veya hedefleme gibi ince teknik tercihlerle ilgiliydi ve insan inceleyiciler genellikle yapay zekanın eşlik eden gerekçesinde bu sorunları fark edebiliyordu.

İnsanlar Yardımı Nasıl Kullandı ve Kötüye Kullandı

Katılımcı personelin anketleri, insanların araçla gerçekte nasıl etkileştiğini ortaya koydu. Yapay zekanın taramanın tam olarak nereye odaklanması gerektiği, hangi bobinin kullanılacağı ve belirli bir protokolün neden mantıklı olduğu konusundaki ek yorumları özellikle değerli bulundu. Birçok katılımcı, daha sonra yapay zeka olmadan çalışırken bile onun fikirlerini hatırlayıp yeniden kullandığını belirterek bir eğitim faydası olduğunu işaret etti. Aynı zamanda çalışma, otomasyon önyargısı ve doğrulama önyargısının izlerini ortaya çıkardı: katılımcılar, yapay zekanın ilk içgüdüleriyle uyumlu olduğu durumlarda ona daha fazla güvenme eğiliminde oldu ve bazen yapay zekanın kendi başına zayıf olduğu durumlarda bile onu takip ettiler. Yine de genel performans nadiren yapay zeka yardımıyla kötüleşti ve yalnızca küçük bir olgu fraksiyonunda öneriler zarar verdi.

Bu Hastalar ve Klinikler İçin Ne Anlama Geliyor

MRG tarayıcısında yatan bir hasta için protokol seçimindeki arka plan ayrıntıları görünmezdir. Yine de bu çalışma, sıradan bir sohbet arayüzü aracılığıyla dikkatle tasarlanmış bir yapay zeka dil modelinin, uzman olmayan personelin kas-iskelet MRG planlamasının kalitesini sessizce yükseltebileceğini ve yeniden çekim gerektiren görüntü sayısını azaltabileceğini öne sürüyor. Sistem uzman radyologların yerini almaz; performansı yerel kurallara ve dikkatli denetime bağlıdır. Ancak uzman olmayanların ilk seferde daha iyi ayarlar seçmesine yardımcı olan pratik bir yardımcı pilot olarak, yapay zekanın gelişmiş görüntülemeyi hem daha verimli hem de hasta dostu hale getirme potansiyeline dair bir pencere sunuyor.

Atıf: 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

Anahtar kelimeler: kas-iskelet MRG, radyoloji iş akışı, geniş dil modelleri, klinik karar desteği, tıbbi görüntüleme yapay zekası