MCP-MedImg: Enabling Standardized PACS-AI Integration through the Model Context Protocol

आधुनिक अस्पताल में, एक मरीज की मेडिकल इमेजिंग के माध्यम से की जाने वाली यात्रा एक जटिल रिले रेस की तरह है। एक तकनीशियन एक स्कैन कैप्चर करता है, जैसे कि छाती का सीटी (CT) या हृदय का एमआरआई (MRI), और इन छवियों को 'पिक्चर आर्काइविंग एंड कम्युनिकेशन सिस्टम' (PACS) नामक एक विशाल डिजिटल संग्रह में संग्रहीत किया जाता है। दशकों से, यह प्रणाली वह केंद्रीय केंद्र रही है जहाँ डॉक्टर इन छवियों को देखते हैं और उनकी व्याख्या करते हैं। हाल ही में, आर्टिफिशियल इंटेलिजेंस (AI) इस दौड़ में शामिल हुआ है, जो ऐसे शक्तिशाली उपकरण प्रदान करता है जो अविश्वसनीय गति से ट्यूमर का पता लगा सकते हैं, हृदय के कक्षों को माप सकते हैं, या असामान्यताओं को चिह्नित कर सकते हैं। हालाँकि, इन AI उपकरणों को अस्पताल के मौजूदा संग्रह से जोड़ना एक अव्यवस्थित, कस्टम-निर्मित प्रक्रिया रही है। प्रत्येक नया AI उत्पाद अक्सर एक स्टैंडअलोन सॉफ्टवेयर पैकेज के रूप में आता है जिसे अपने स्वयं के इंस्टालेशन, अपने स्वयं के लॉगिन और संग्रह से बात करने के अपने स्वयं के तरीके की आवश्यकता होती है। यह एक खंडित परिदृश्य बनाता है जहाँ एक रेडियोलॉजिस्ट को तीन अलग-अलग AI मत प्राप्त करने के लिए तीन अलग-अलग प्रोग्रामों के बीच कूदना पड़ सकता है, और जहाँ अस्पताल उन उपकरणों के प्रदर्शन का एक एकल, स्पष्ट रिकॉर्ड रखने के लिए संघर्ष करता है।

MCP-MedImg नामक एक नया प्रस्ताव इस उलझन को सुलझाने का लक्ष्य रखता है, जो आर्टिफिशियल इंटेलिजेंस को एक अलग उत्पाद के रूप में नहीं, बल्कि एक सेवा के रूप में देखता है जिसे तुरंत और सुरक्षित रूप से बुलाया जा सकता है। इस कार्य के पीछे के शोधकर्ताओं ने, जिसका नेतृत्व श्योंग शी (Xiong Shi) ने किया है, नियमों का एक मानकीकृत सेट डिजाइन किया है जो AI उपकरणों को अस्पताल के मौजूदा बुनियादी ढांचे को बदले बिना सीधे अस्पताल के मौजूदा संग्रह में जुड़ने की अनुमति देता है। उन्होंने एक ऐसा सिस्टम बनाया है जो स्वचालित रूप से सही प्रकार के स्कैन के लिए सही AI मॉडल को रूट करता है, डेटा के अस्पताल से बाहर जाने से पहले संवेदनशील रोगी जानकारी को छिपा देता है, और AI द्वारा उठाए गए प्रत्येक कदम का एक पूर्ण, अटूट रिकॉर्ड बनाता है। यह दृष्टिकोण उन नियामकों की बढ़ती मांगों को पूरा करने के लिए डिज़ाइन किया गया है जो यह देखना चाहते हैं कि इन उपकरणों को बेचने से पहले केवल एक बार जांचने के बजाय, उन्हें स्वीकृत होने के बाद निरंतर कैसे प्रदर्शन किया जा रहा है।

इस कार्य का मूल एक चार-स्तरीय आर्किटेक्चर है जो अस्पताल के डेटा और AI के मस्तिष्क के बीच एक सेतु के रूप में कार्य करता है। पहला स्तर डेटा की भौतिक आवाजाही को संभालता है, यह सुनिश्चित करता है कि सिस्टम आधुनिक वेब-आधारित आर्काइव और पुराने, पारंपरिक आर्काइव दोनों से बात कर सके। दूसरा स्तर सुरक्षा गार्ड है; यह विश्लेषण से पहले छवियों से नाम और पहचान संबंधी विवरणों को हटा देता है, और यह हर एक क्रिया को एक क्रिप्टोग्राफिक सील के साथ लॉग करता है जो यह प्रमाणित करता है कि डेटा के साथ छेड़छाड़ नहीं की गई है। तीसरा स्तर ट्रैफिक कंट्रोलर है, जो स्कैन के प्रकार और नैदानिक प्रश्न को देखता है, और फिर काम करने के लिए सर्वोत्तम उपलब्ध AI मॉडल को स्वचालित रूप से तैनात करता है। अंतिम स्तर क्लिनिकल सुपरवाइजर है, जो यह तय करता है कि क्या किसी मानव डॉक्टर को AI के काम की जांच करने की आवश्यकता है। यह निर्णय केवल 'हाँ' या 'नहीं' का सरल विकल्प नहीं है; यह एक लचीला नियम है जो उच्च-जोखिम वाले प्रत्येक मामले के लिए डॉक्टर को समीक्षा करने की आवश्यकता बता सकता है, उन्हें कम-जोखिम वाले फॉलो-अप के लिए समीक्षा छोड़ने की अनुमति दे सकता है, या आपातकालीन स्थितियों के लिए सिस्टम को स्वचालित रूप से चलने दे सकता है।

यह अवधारणा काम करती है, यह साबित करने के लिए, शोधकर्ताओं ने ओपन-सोर्स सॉफ्टवेयर का उपयोग करके एक वर्किंग प्रोटोटाइप बनाया और वास्तविक मेडिकल डेटा के साथ इसका परीक्षण किया। उन्होंने सिस्टम को दो विशिष्ट चुनौतियों के माध्यम से चलाया: फेफड़ों के गांठों (nodules) को खोजने के लिए 200 लंग सीटी स्कैन का विश्लेषण करना और हृदय के कक्षों को मैप करने के लिए 10 हार्ट एमआरआई को प्रोसेस करना। लंग टेस्ट में, सिस्टम ने सफलतापूर्वक गांठों की पहचान की और औसतन 5.4 सेकंड में मानक मेडिकल रिपोर्ट तैयार की, जिसमें सबसे धीमी केस भी 23 सेकंड के भीतर पूरी हो गई। हृदय के स्कैन के लिए, जिसमें अधिक जटिल विश्लेषण की आवश्यकता थी, सिस्टम को कार्य पूरा करने में औसतन 18.2 सेकंड लगे। महत्वपूर्ण रूप से, सिस्टम ने केवल परिणाम ही नहीं दिए; इसने प्रत्येक स्कैन के लिए एक विस्तृत, 14-कॉलम वाला लॉग तैयार किया, जिसमें यह रिकॉर्ड किया गया कि किसने टेस्ट के लिए पूछा, किस AI मॉडल का उपयोग किया गया, परिणाम क्या था, और क्या किसी मानव डॉक्टर ने इसकी समीक्षा की। यह एक पारदर्शी मार्ग बनाता है जिसे नियामक यह सुनिश्चित करने के लिए निरीक्षण कर सकते हैं कि उपकरण समय के साथ सुरक्षित और प्रभावी रूप से काम कर रहे हैं।

अध्ययन ने यह भी मापा कि नया सिस्टम प्रक्रिया में कितना समय जोड़ता है। उन्होंने पाया कि सुरक्षा जांच, रूटिंग लॉजिक और लॉगिंग को पूरा करने में एक मिलीसेकंड से भी कम समय लगा। अधिकांश समय केवल इमेज डेटा को आर्काइव से कंप्यूटर तक ले जाने और AI गणना चलाने में खर्च हुआ। इसका मतलब है कि नया सिस्टम डॉक्टरों को धीमा नहीं करता है; यह केवल सुरक्षा और संगठन की एक ऐसी परत जोड़ता है जो पहले गायब थी। शोधकर्ताओं ने प्रदर्शित किया कि सिस्टम विभिन्न प्रकार के स्कैन को संभाल सकता है, स्वचालित रूप से विभिन्न AI मॉडल के बीच स्विच कर सकता है, और मामले की तात्कालिकता के आधार पर अपने नियमों को अनुकूलित कर सकता है। उदाहरण के लिए, एक सिम्युलेटेड आपात स्थिति में जहाँ एक डॉक्टर को तत्काल उत्तर की आवश्यकता थी, सिस्टम मानव समीक्षा चरण को दरकिनार कर तुरंत परिणाम देने के लिए बनाया जा सकता था, जबकि अभी भी जो हुआ उसका पूर्ण रिकॉर्ड रखा गया।

यह कार्य अस्पतालों द्वारा AI खरीदने और उपयोग करने के वर्तमान तरीके को चुनौती देता है। प्रत्येक AI टूल को एक अलग सॉफ्टवेयर के रूप में मानने के बजाय जिसे व्यक्तिगत रूप से इंस्टॉल और मेंटेन करना पड़ता है, MCP-MedImg एक ऐसा मॉडल प्रस्तावित करता है जहाँ AI एक उपयोगिता (utility) है, जैसे बिजली या पानी, जो अस्पताल के मौजूदा पाइपों के माध्यम से बहता है। शोधकर्ताओं ने दिखाया कि यह तकनीकी रूप से व्यवहार्य है और यह खंडित वर्कफ़्लो की समस्या को हल करता है। मेडिकल इमेज के साथ AI को जोड़ने के तरीके को मानकीकृत करके, यह सिस्टम अस्पतालों को अपने पूरे आईटी सिस्टम को बनाए बिना उपलब्ध नए और बेहतर AI मॉडल को अपनाने की अनुमति देता है। यह नियामकों को इन उपकरणों की निगरानी करने की क्षमता भी देता है, जिससे वे मरीजों को नुकसान पहुँचाने से पहले सटीकता में किसी भी त्रुटि या बदलाव को पकड़ने के लिए हजारों मामलों में उनके प्रदर्शन को ट्रैक कर सकते हैं।

शोधकर्ता स्पष्ट हैं कि यह एक प्रोटोटाइप है और इससे पहले कि इसे हर अस्पताल में उपयोग किया जा सके, और अधिक काम करने की आवश्यकता है। उन्होंने इसे विशिष्ट प्रकार के स्कैन, जैसे चेस्ट सीटी और हार्ट एमआरआई पर टेस्ट किया, और हालांकि सिस्टम को अन्य प्रकार की इमेजिंग को संभालने के लिए डिज़ाइन किया गया है, इस अध्ययन में उन्हें पूरी तरह से मान्य नहीं किया गया है। उन्होंने यह भी नोट किया कि हालांकि सिस्टम एक एकल शक्तिशाली कंप्यूटर पर अच्छी तरह से काम करता है, लेकिन इसे हजारों समवर्ती अनुरोधों वाले बड़े अस्पताल नेटवर्क में चलाने के लिए आगे के परीक्षण की आवश्यकता होगी। हालांकि, परिणाम एक ठोस आधार प्रदान करते हैं। सिस्टम ने सफलतापूर्वक प्रदर्शित किया कि चिकित्सा इमेजिंग में आर्टिफिशियल इंटेलिजेंस को इस तरह से एकीकृत करना संभव है कि वह सुरक्षित, मानकीकृत और पूरी तरह से ऑडिट योग्य हो।

इस शोध का अंतिम लक्ष्य मेडिकल AI को अलग-थलग उत्पादों के संग्रह से बदलकर एक शासित सार्वजनिक बुनियादी ढांचे (governed public infrastructure) में बदलना है। चिकित्सा डेटा के साथ AI कैसे इंटरैक्ट करता है, इसके लिए एक सामान्य भाषा बनाकर, शोधकर्ता उम्मीद करते हैं कि वे अस्पतालों के लिए इन उपकरणों को अपनाने की बाधाओं को कम करेंगे, एकीकरण की लागत को कम करेंगे और तकनीक के प्रति डॉक्टरों का विश्वास बढ़ाएंगे। सिस्टम यह सुनिश्चित करता है कि प्रत्येक AI निर्णय पता लगाने योग्य (traceable) हो, प्रत्येक रोगी की गोपनीयता सुरक्षित हो, और प्रत्येक मानवीय ओवरराइड को रिकॉर्ड किया जाए। यह दृष्टिकोण उभरते वैश्विक नियामक आवश्यकताओं के अनुरूप है, जो मांग करते हैं कि मेडिकल डिवाइसों की उनके पूरे जीवन चक्र के दौरान निरंतर निगरानी की जाए। अध्ययन बताता है कि स्टैंडअलोन सॉफ्टवेयर से सर्विस-ओरिएंटेड मॉडल की ओर शिफ्ट होकर, स्वास्थ्य सेवा उद्योग अंततः आर्टिफिशियल इंटेलिजेंस की पूर्ण क्षमता को साकार कर सकता है, जिससे मरीजों को तेज़, सुरक्षित और अधिक विश्वसनीय देखभाल मिल सके।