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

현대적인 병원에서 환자의 의료 영상 여정은 복잡한 계주 경주와 같습니다. 기술자가 흉부 CT나 심장 MRI와 같은 스캔을 캡처하면, 이 영상들은 PACS(Picture Archiving and Communication System)라고 불리는 거대한 디지털 저장소에 저장됩니다. 수십 년 동안 이 시스템은 의사들이 이러한 영상을 보고 해석하는 중심 허브 역할을 해왔습니다. 최근에는 인공지능이 이 경주에 뛰어들어 종양을 찾아내거나, 심장실의 크기를 측정하거나, 이상 징ium을 놀라운 속도로 포착할 수 있는 강력한 도구들을 제공하고 있습니다. 그러나 이러한 AI 도구들을 병원의 기존 저장소에 연결하는 과정은 매우 번거롭고 맞춤형 제작이 필요한 작업이었습니다. 각각의 새로운 AI 제품은 종종 자체적인 설치, 자체적인 로그인, 그리고 저장소와 통신하는 자체적인 방식이 필요한 독립형 소프트웨어 패키지로 제공됩니다. 이는 영상의학과 의사가 세 가지 서로 다른 AI 의견을 얻기 위해 세 개의 서로 다른 프로그램을 오가야 하는 파편화된 환경을 만들며, 병원이 이러한 도구들이 시간이 지남에 따라 어떻게 성능을 발휘했는지에 대한 단일하고 명확한 기록을 유지하는 데 어려움을 겪게 만듭니다.

MCP-MedImg라는 이름의 새로운 제안은 인공지능을 별도로 설치해야 하는 제품이 아니라 즉각적이고 안전하게 호출할 수 있는 서비스로 취급함으로써 이 엉킨 매듭을 풀고자 합니다. 슝 스(Xing Shi)가 이끄는 연구진은 AI 도구가 기존의 인프라를 교체하지 않고도 병원의 기존 저장소에 직접 플러그인할 수 있도록 허용하는 표준화된 규칙 세트를 설계했습니다. 그들은 적절한 AI 모델을 적절한 유형의 스캔에 자동으로 라우팅하고, 데이터가 병원을 떠나기 전에 민감한 환자 정보를 숨기며, AI가 수행하는 모든 단계에 대해 완전하고 깨지지 않는 기록을 생성하는 시스템을 구축했습니다. 이 접근 방식은 제품이 판매되기 전 한 번만 확인하는 것이 아니라, 승인 후에도 이러한 도구들이 어떻게 지속적으로 성능을 내는지 확인하고자 하는 규제 기관들의 높아지는 요구를 충족하도록 설계되었습니다.

이 연구의 핵심은 병원의 데이터와 AI의 두뇌 사이를 잇는 가교 역할을 하는 4계층 아키텍처입니다. 첫 번째 계층은 데이터의 물리적 이동을 처리하며, 시스템이 현대적인 웹 기반 저장소와 오래된 전통적 저장소 모두와 통신할 수 있도록 보장합니다. 두 번째 계층은 보안 요원입니다. 이 계층은 분석 전 이미지에서 이름과 식별 가능한 세부 정보를 제거하며, 데이터가 변조되지 않았음을 증명하는 암호화된 인장을 통해 모든 동작을 기록합니다. 세 번째 계층은 교통 관제사로, 스캔 유형과 임상적 질문을 살펴본 후 최적의 AI 모델을 자동으로 배정합니다. 마지막 계층은 임상 감독관으로, 인간 의사가 AI의 작업을 검토해야 할지 여부를 결정합니다. 이 결정은 단순한 예/아니오가 아닙니다. 고위험 사례의 경우 모든 사례를 검토하도록 요구하거나, 저위험 추적 관찰의 경우 검토를 건너뛰도록 허용하거나, 긴급 상황에서는 시스템이 자동으로 실행되도록 하는 유연한 규칙입니다.

이 개념이 작동함을 증명하기 위해 연구진은 오픈 소스 소프트웨어를 사용하여 작동하는 프로토타입을 구축하고 실제 의료 데이터로 테스트했습니다. 그들은 두 가지 뚜렷한 과제를 통해 시스템을 실행했습니다: 결절을 찾기 위한 200개의 폐 CT 스캔 분석과 심장실을 매핑하기 위한 10개의 심장 MRI 처리입니다. 폐 테스트에서 시스템은 결절을 성공적으로 식별하고 평균 5.4초 만에(가장 느린 경우에도 23초 미만) 표준 의료 보고서를 생성했습니다. 더 복잡한 분석이 필요한 심장 스캔의 경우, 시스템은 작업을 완료하는 데 평균 18.2초가 걸렸습니다. 결정적으로, 시스템은 단순히 결과만을 생성한 것이 아니라, 누가 테스트를 요청했는지, 어떤 AI 모델이 사용되었는지, 결과가 무엇인지, 그리고 인간 의사가 이를 검토했는지 여부를 기록하는 상세한 14개 열의 로그를 모든 스캔마다 생성했습니다. 이는 규제 기관이 도구들이 시간이 지나도 안전하고 효과적으로 작동하는지 확인할 수 있는 투명한 추적 경로를 만들어 줍니다.

연구진은 또한 이 새로운 시스템 자체가 프로세스에 얼마나 많은 시간을 추가하는지를 측정했습니다. 그들은 보안 검사, 라우팅 로직 및 로깅에 걸린 시간이 1밀리초 미만이라는 것을 발견했습니다. 대부분의 시간은 단순히 이미지를 저장소에서 컴퓨터로 이동시키고 AI 계산을 실행하는 데 소비되었습니다. 이는 새로운 시스템이 의사의 업무를 늦추는 것이 아니라, 이전에는 없던 안전과 조직화의 계층을 추가할 뿐임을 의미합니다. 연구진은 시스템이 다양한 유형의 스캔을 처리하고, 서로 다른 AI 모델 간을 자동으로 전환하며, 사례의 긴급성에 따라 규칙을 조정할 수 있음을 입증했습니다. 예를 들어, 의사가 즉각적인 답변이 필요한 시뮬레이션된 응급 상황에서 시스템은 결과를 즉시 전달하기 위해 인간의 검토 단계를 우회할 수 있으면서도, 발생한 모든 일에 대한 전체 기록은 그대로 유지할 수 있었습니다.

이 작업은 병원이 AI를 구매하고 사용하는 현재의 방식을 뒤흔듭니다. 각 AI 도구를 개별적으로 설치하고 유지 관리해야 하는 별개의 소프트웨어로 취급하는 대신, MCP-MedImg는 AI를 병원의 기존 파이프를 통해 흐르는 전기나 물과 같은 유틸리티로 제안합니다. 연구진은 이것이 기술적으로 가능하다는 것과 파편화된 워크플로우 문제를 해결한다는 것을 보여주었습니다. 의료 영상에 AI가 연결되는 방식을 표준화함으로써, 이 시스템은 병원이 전체 IT 시스템을 재구축할 필요 없이 새로운 더 나은 AI 모델을 사용할 수 있도록 합니다. 또한 규제 기관이 수천 건의 사례에 걸쳐 성능을 추적하여, 오류나 정확도 저하가 환자에게 해를 끼치기 전에 잡아낼 수 있도록 하여 도구들을 실시간으로 모니터링할 수 있는 능력을 부여합니다.

연구진은 이것이 프로토타입이며, 모든 병원에서 사용되기 전에는 더 많은 작업이 필요하다는 점을 분명히 하고 있습니다. 그들은 흉부 CT 및 심장 MRI와 같은 특정 유형의 스캔에 대해 테스트했으며, 시스템이 다른 유형의 영상도 처리할 수 있도록 설계되었지만, 이번 연구에서 해당 유형들이 완전히 검증되지는 않았습니다. 또한, 시스템이 단일 강력한 컴퓨터에서는 잘 작동하지만, 수천 개의 동시 요청이 있는 대규모 병원 네트워크 전체에서 실행되려면 추가적인 테스트가 필요할 것이라고 언급했습니다. 그러나 그 결과는 미래를 위한 견고한 토대를 제공합니다. 시스템은 의료 인공지능을 보안이 철저하고 표준화되며 완전히 감사 가능한 방식으로 통합하는 것이 가능하다는 것을 성공적으로 입증했습니다.

이 연구의 궁극적인 목표는 의료 AI를 고립된 제품의 집합에서 통제된 공공 인프라로 변모시키는 것입니다. AI가 의료 데이터와 상호작용하는 공통 언어를 만듦으로써, 연구진은 병원이 이러한 도구들을 채택하는 장벽을 낮추고, 통합 비용을 줄이며, 기술에 대한 의사의 신뢰를 높이기를 희망합니다. 이 시스템은 모든 AI 결정이 추적 가능하고, 모든 환자의 개인정보가 보호되며, 모든 인간의 개입이 기록되도록 보장합니다. 이러한 접근 방식은 의료 기기가 전체 수명 주기 동안 지속적으로 모니터링되어야 한다는 전 세계적인 새로운 규제 요구 사항과 일치합니다. 연구는 독립형 소프트웨어에서 서비스 지향 모델로 전환함으로써, 의료 산업이 마침내 인공지능의 잠재력을 실현하여 환자에게 더 빠르고 안전하며 신뢰할 수 있는 의료 서비스를 제공할 수 있다는 점을 시사합니다.