基础模型在肌肉骨骼 MRI 中的临床应用：生物标志物可靠性与预测结局

这对关节健康为何重要

许多人长期受膝盖、髋关节、肩部或背部疼痛困扰，但大多数这些关节的 MRI 报告仍以文字描述为主，而缺乏关于组织健康的量化指标。本研究展示了一类新型人工智能系统，能够把常规的肌肉骨骼 MRI 转化为一致的测量值，帮助医生在管理日常工作量的同时，评估哪些患者更可能在未来需要关节手术。

将图像变为有用的关节测量值

研究人员构建了一个模块化系统，处理五个关键解剖部位的标准 MRI 扫描：膝关节、髋关节、肩关节、腰椎和大腿。该系统利用最初在多种图像中训练以描绘物体轮廓的大型“基础”分割模型，并对其进行微调，使之能在关节 MRI 中识别软骨、骨骼、肌肉、脂肪和神经。结构轮廓确定后，系统计算诸如软骨厚度、肌肉体积、脊柱椎间盘高度以及反映组织成分的弛豫时间等数值指标。这些数值作为生物标志物，为描述不同组织的健康或磨损程度提供了一种可重复的方式。

让人工智能达到临床可用的可靠性

要在真实医疗中发挥作用，自动化测量必须与放射科专家手工结果高度一致。团队在来自 12 个不同数据集的 913 例 MRI 检查上测试了他们的系统，覆盖了多种扫描机器、参数设置和不同解剖部位。他们将 AI 模型绘制的边界与专家勾画进行比较，并对比由此得到的测量值。经过微调，表现最好的模型在重叠评分上持续达到高水平，生成的软骨厚度、椎间盘高度和肌肉体积数值几乎与专家结果无法区分，通常在亚毫米或几个百分点的范围内一致。该系统在不同扫描协议（包括低质量或欠采样图像）上也表现良好，表明它能应对日常实践中存在的多样性。

自动化处理 MRI 分析中最困难的部分

在数百张图像上手动为每个结构绘制框和轮廓是耗时的工作。为避免这一瓶颈，作者加入了一个目标检测步骤，在分割前自动提出感兴趣区域。该“自动标注（AutoLabel）”设置在现代显卡上处理一套三维膝关节扫描大约需要半分钟。虽然使用自动化提示相比精心绘制的框会带来小幅精度下降，但测量值仍处于临床可接受范围内。系统还分析了回波时间、翻转角等扫描参数如何影响性能，并显示对多种协议一并训练可以减轻这些影响。这种设计便于以后在不改变测量或临床决策方式的情况下替换新的分割模型。

帮助放射科医生集中精力并展望未来

以膝关节 MRI 为测试案例，团队演示了其测量管线的两个具体临床用途。首先，他们构建了一个多阶段分诊系统，使用软骨厚度和骨体积测量来标记更可能显示重要关节损伤的扫描。在对 930 例膝关节影像的模拟中，这一分级流程可以安全地将超过一半的扫描从紧急审阅队列中剔除，同时仍将几乎所有严重病例保留在队列中，从而每一千例检查节省数小时的复核工作。其次，他们随访了骨关节炎研究（Osteoarthritis Initiative）中的人群数年，使用软骨和半月板厚度的变化来预测哪些膝关节会发展为放射学上可见的骨关节炎或最终需要全膝关节置换。包含这些影像生物标志物及年龄、性别和体质指数的模型，比仅使用人口学数据的模型更准确地识别高风险膝关节。

这对未来关节护理意味着什么

总体而言，研究表明基础模型不仅能在 MRI 上描绘整齐的轮廓：在经过细致调整并与专家测量核对之后，它们可以提供稳定的定量生物标志物，直接接入临床工具。通过将测量层与具体 AI 模型分离，该框架允许医院随时间升级分割技术，而无需重建决策系统。这为将今天的常规扫描转化为明天的个性化关节护理铺就了一条路径，既能为放射科医生提供更快的工作列表，也能为可能面临骨关节炎或关节置换的患者提供更好的风险分层。

引用: Hoyer, G., Tong, M.W., Bhattacharjee, R. et al. Clinical utility of foundation models in musculoskeletal MRI for biomarker fidelity and predictive outcomes. npj Digit. Med. 9, 383 (2026). https://doi.org/10.1038/s41746-026-02520-w

关键词: 肌肉骨骼 MRI, 骨关节炎, 膝关节置换, 医学人工智能, 软骨厚度