首页 / 文章 / 如何用Claude和MCP构建隐私优先的医学图像去标识化智能体

← 返回

IT技术

如何用Claude和MCP构建隐私优先的医学图像去标识化智能体

✍️ zhirenhun 📅 2026/8/7 👁 219 阅读 ⏱ 36 分钟

想象一下，让一个AI助手对数千张医学图像进行去标识化处理。它运行整个流程、跟踪进度、总结每一个决策，并告诉你哪些文件需要人工审核，而整个过程从未看过任何一像素的患者数据。

乍一听这似乎不可能。AI助手通常需要访问它们帮你处理的数据。

在本教程中，你将构建一个不查看敏感医学图像的AI代理。相反，它通过精心设计的工具来编排本地去标识化流程，让患者数据完全保留在你的机器上。

实现这一目标的技术是模型上下文协议（Model Context Protocol，简称MCP），这是一个开放标准，允许AI模型调用外部工具，而不是仅仅依赖其内置能力。

在我之前的文章如何为临床研究构建AI驱动的医学图像去标识化流程中，我们已经了解了如何构建去标识化工具——Aegis，这是一个使用MONAI（PyTorch）流程构建的开源工具，通过OCR和NER从DICOM元数据和图像像素中移除受保护健康信息（PHI）。

此后我又为其添加了本地MCP（模型上下文协议）服务器支持，在本文中我们将使用FastMCP从头构建该服务器。然后将其连接到Claude Desktop，把Claude变成一个可以通过自然对话运行、监控和审计去标识化任务的AI代理。

在开始之前有一点需要说明：虽然本文以Aegis为例，但本教程中的模式适用于任何你想让AI代理访问的Python工具。如果你有自己的流程、命令行工具或库，也可以按照同样的方法将其封装起来。

你将构建什么
前置条件
Aegis的功能
如何安装Aegis
什么是MCP，为什么要使用它？
架构如何运作
第1步：设计工具接口
第2步：使用FastMCP构建MCP服务器
第3步：在涉及任何AI之前，先用MCP Inspector进行测试
第4步：连接Claude Desktop
第5步：与你的代理对话
验证
AI会看到患者数据吗？
安全考量
关于"去标识化"一词的说明
适用场景与后续展望
结论
参考资料

你将构建什么

学完本教程后，你将拥有：

一个本地MCP服务器，将Aegis去标识化流程暴露为六个工具。
连接到该服务器的Claude Desktop，每个操作都有人工审批环节（human-in-the-loop）。
一个可以用日常英语与之对话的代理："对这个文件夹进行去标识化处理，并告诉我是否有需要人工审核的内容。"
磁盘上可验证的审计追踪记录，你可以据此核对代理报告的所有内容。

前置条件

要学习本教程，你需要具备：

中级Python经验
Aegis代码仓库（或你自己的待封装Python工具）：https://github.com/lakshmi-mahabaleshwara/aegis
Python 3.10或更高版本
已安装Claude Desktop（macOS或Windows）；免费的Claude账户即可用于本地MCP服务器
Node.js（仅用于测试工具，服务器本身不需要）

我们将使用：

MCP Python SDK（mcp）
FastMCP（包含在SDK中）
用于测试的MCP Inspector
作为MCP主机的Claude Desktop

如果你没有读过之前的文章，也不需要从头重建整个流程。克隆Aegis代码仓库就足够了，不过之前的文章会解释该流程在底层究竟做了什么。

Aegis的功能

Aegis是一个医学图像去标识化流程，它会从DICOM元数据和图像像素中移除PHI，将每个操作记录在审计报告中，并将不确定的病例转交人工审核。

如何安装Aegis

在构建服务器之前，先安装Aegis。我们在下一步编写的服务器会导入这个包，所以必须先把它准备好。

# Get the code
git clone https://github.com/lakshmi-mahabaleshwara/aegis.git
cd aegis

# Create and activate a virtual environment
python3 -m venv venv
source venv/bin/activate
# On Windows: venv\Scripts\activate

# Install Aegis (editable) plus the MCP server in one step.
# The [mcp] pulls in the MCP SDK; it also installs the
# `aegis-mcp` console command you'll point Claude Desktop at.
pip install -e ".[mcp]"

# One-time: download the OCR and NER model weights
python scripts/prefetch_models.py

可通过编辑模式安装（pip install -e）让 monai_aegis 包可以从任何目录导入，并将 aegis-mcp 控制台命令添加到你的 PATH（位于虚拟环境内）。MCP 服务器依赖于此，因为 Claude Desktop 是从它自己的工作目录启动服务器的，而不是从仓库根目录。

安装好包之后，我们就可以开始构建公开该包的服务器了。

什么是 MCP，为什么要使用它？

模型上下文协议（MCP）是一种开放标准，允许 AI 应用程序调用外部工具。AI 模型无需仅依赖上下文中的信息来尝试解决所有问题，而是可以调用由外部程序暴露的函数。

涉及三种角色：

主机（Host）——AI 应用程序（在我们的场景中是 Claude Desktop）
服务器（Server）——你编写的一个暴露工具的小程序
工具（Tools）——带有名称、参数和描述的 Python 函数，AI 可以调用它们

当 Claude Desktop 启动时，它会启动你的 MCP 服务器并发现其暴露的工具。它只能看到每个工具的名称、参数模式和 docstring，而看不到你的实现代码。实际上，你的 docstring 就成了提示词，帮助 Claude 决定何时调用某个工具。

为什么要使用 MCP？ 如果你熟悉 Python，你可以在自己的脚本中直接调用 Aegis 库。当你希望 AI 助手通过自然对话来操作该流程时，MCP 就变得很有价值。你无需编写脚本或记住命令行选项，只需简单地问：

“对这个文件夹去标识化。”
“批处理完成了吗？”
“哪些文件需要人工审核？”
“总结一下今天的运行情况。”

底层流程从未改变。MCP 只是在 AI 与你的软件之间提供了一个安全接口，让模型能够编排工作流，而实际处理仍在你本地的 Python 应用程序中完成。

我们将使用 Claude Desktop 作为主机，因为它原生支持 MCP。无需配置桥梁、额外服务或网络端口——服务器作为本地子进程通过标准输入/输出与 Claude Desktop 通信，整个设置通过一个 JSON 文件配置。

架构如何工作

架构图：Claude Desktop 与本地 MCP 服务器通信，服务器调用 Aegis 去标识化流水线。医学图像在本地处理，仅将计数、决策和文件路径等汇总结果返回给 AI 模型。

Claude Desktop 与 MCP 服务器通信，服务器在本地调用 Aegis 流水线。流水线在你的机器上处理医学图像，而只有计数、决策和文件路径等汇总信息会被返回给 Claude。

第 1 步：设计工具接口

在编写代码之前，先确定智能体可以执行哪些操作。我们的服务器暴露了六个工具：

工具	用途
`warm_up`	预加载 Aegis 中的 OCR 和 NER 模型，使第一次真实调用变得快速
`deidentify_file`	使用 Aegis 流水线对单个 DICOM/JPEG/PNG 文件进行去标识化
`start_batch_job`	在后台发现并处理目录中的所有 DICOM/图像文件
`get_job_status`	检查之前启动的批处理任务的进度
`summarize_run`	根据报告文件审计一次已完成的运行
`list_review_queue`	列出转交给人工审核的文件

我们围绕三个简单原则设计了这些工具：

返回汇总信息，而不是敏感数据。
对长时间运行的任务使用后台作业。
保持工具接口小而专注。

第 2 步：使用 FastMCP 构建 MCP 服务器

现在，让我们把这个设计变成一个可用的 MCP 服务器。我们将一次构建一个部分，以便你可以在自己的 Python 工具中复用同样的模式。完整实现位于 src/monai_aegis/mcp_server.py 中；下面的章节展示了它是如何组合在一起的。

1. 服务器实例

FastMCP（随 MCP Python SDK 一起提供）可以将一个带装饰器的 Python 函数转换为工具。

from mcp.server.fastmcp import FastMCP

# creates a FastMCP server instance
mcp = FastMCP("aegis-mcp")

字符串 "aegis-mcp" 只是服务器的名称。它是 Claude Desktop 在其工具列表中显示的内容。我们从这里添加的每个工具都是一个用 @mcp.tool() 装饰的函数。

2. 你的第一个工具

工具是一个装饰器、一个类型化签名和一个文档字符串。下面这个是真正执行单个文件去标识化工作的工具：

@mcp.tool()
def deidentify_file(input_path: str, output_dir: str = "") -> dict:
    """De-identify a single medical image (DICOM, JPEG, or PNG).

    Scrubs DICOM header PHI and redacts burned-in pixel PHI using
    OCR and NER. Returns summary statistics and the output location
    only, never the redacted text or any pixel data.
    """
    ...
    return {
        "status": "success",
        "source_file": src.name,
        "output_dir": str(out),
        "pixel_regions_detected": len(pixel_rows),
        "pixel_decisions": decisions,   # e.g. {"redacted": 4, "safelisted": 10}
        "header_tags_scrubbed": tags_scrubbed,
        "needs_manual_review": decisions.get("low_confidence", 0) > 0,
    }

请注意，Claude 只能看到文档字符串，而工具返回的是摘要统计信息，而不是图像数据或提取的文本。

3. 切勿打印到 `stdout`

不要在 MCP 服务器中使用 print()，因为 stdout 是为 JSON-RPC 保留的。请改用 stderr 发送日志。

4. 长任务需要异步模式

处理整个目录可能需要几分钟，这超过了 MCP 工具调用可以阻塞的时间。为了避免同步等待，start_batch_job 会创建一个后台线程，立即返回一个 job_id，并让 Claude 使用 get_job_status() 轮询进度。

import threading, uuid

_jobs = {}

@mcp.tool()
def start_batch_job(input_dir: str, output_dir: str = "", mode: str = "auto") -> dict:
    """Start a background job that de-identifies all DICOM/image files
    in a directory. Returns immediately with a job_id. Use get_job_status
    to check progress, do not wait synchronously.
    """
    job_id = uuid.uuid4().hex[:8]
    _jobs[job_id] = {"job_id": job_id, "state": "queued",
                     "processed": 0, "total": None,
                     "decisions": {}, "errors": []}
    threading.Thread(
        target=_batch_worker, args=(job_id, input_dir, output_dir),
        daemon=True,
    ).start()
    return {"status": "started", "job_id": job_id,
            "next_step": f"Call get_job_status with job_id '{job_id}'."}

工作线程在处理每个文件时会更新_jobs[job_id]，轮询工具只需将其读回：

@mcp.tool()
def get_job_status(job_id: str) -> dict:
    """Return the current state, progress, and decision counts for a job."""
    return _jobs.get(job_id, {"status": "unknown", "job_id": job_id})

由于MCP服务器是一个长时间运行的进程，它可以在整个对话期间将作业注册表保存在内存中。如果服务器重启，活动作业ID会丢失，但去标识化文件和审计报告仍安全地保留在磁盘上。

5. 重型模型需要预热

Aegis加载EasyOCR和斯坦福NER模型需要时间。服务器以懒加载方式构建管道并缓存它，因此只需付出一次成本，并暴露一个warm_up工具，这样第一次真正的调用不会因模型加载而遇到超时：

@mcp.tool()
def warm_up() -> dict:
    """Preload the OCR and NER models so the first real call is fast."""
    _get_pipeline()   # builds and caches the pipeline on first use
    return {"status": "ready"}

6. 审计工具读取的是记录，而非图像

其余工具读取Aegis已生成的报告和审查文件夹。由于它们是对现有审计记录的汇总，而非重新处理图像，因此Claude无需访问底层医学图像即可回答有关已完成运行的问题。

@mcp.tool()
def summarize_run(run_dir: str) -> dict:
    """Audit a run from its CSV reports. Returns counts only — never text or tag values."""
    run = Path(run_dir).expanduser().resolve()
    pixels = _read_csv_rows(run / "aegis_pixel_detections.csv")
    tags = _read_csv_rows(run / "aegis_tag_actions.csv")
    return {
        "pixel_decisions": Counter(r["decision"] for r in pixels),  # redacted / safelisted / low_confidence
        "tag_actions": Counter(r["action"] for r in tags),          # REMOVE / REMAP / ZERO / DUMMY / ATTEST

@mcp.tool()
def list_review_queue() -> dict:
    """List files quarantined for manual review — names only, never contents."""
    names = sorted(f for _, _, fs in os.walk(REVIEW_DIR) for f in fs if not f.startswith("."))
    return {"count": len(names), "files": names[:50]}

第3步：在涉及任何AI之前，使用MCP Inspector进行测试

如果你对这一切持怀疑态度（我曾经也是），那么这一步就是为你准备的。MCP Inspector是一个调试UI，它连接到你的服务器，让你手动点击这些工具。

npx @modelcontextprotocol/inspector //aegis/venv/bin/aegis-mcp

检查器在服务器屏幕上打开，其中列出了你的aegis-mcp服务器。点击切换按钮进行连接，当服务器正在运行时，它会变为绿色。

MCP 检查器显示通过 STDIO 连接的 Aegis MCP 服务器，服务器状态为活动，已准备好进行测试。

接下来，打开工具选项卡。你将看到 MCP 服务器公开的六个工具。首先运行warm_up，并在你启动检查器的终端中查看 OCR 和 NER 模型的加载过程。

接下来，使用测试图像的路径运行deidentify_file。结果面板显示工具的 JSON 响应，而消息面板显示与服务器交换的请求和响应。

MCP 检查器显示 deidentify_file 工具及其输入字段，以及处理测试医学图像后返回的 JSON 响应。

步骤4：连接 Claude Desktop

打开Claude Desktop，然后转到设置 → 开发者 → 编辑配置。这将打开（或创建）MCP 配置文件。在 macOS 上，它位于 ~/Library/Application Support/Claude/claude_desktop_config.json，而在 Windows 上位于 %APPDATA%\Claude\claude_desktop_config.json。

在 mcpServers 下添加以下 aegis 条目：

{
  "mcpServers": {
    "aegis": {
      "command": "//aegis/venv/bin/aegis-mcp",
      "args": [],
      "env": {
        "AEGIS_OUTPUT_DIR": "//aegis/staging_output",
        "AEGIS_REVIEW_DIR": "//aegis/staging_not_processed",
        "AEGIS_DEVICE": "mps"
      }
    }
  }
}

用于将 Claude Desktop 连接到 Aegis MCP 服务器的配置。

保存前需要检查以下几点：

为 command、AEGIS_OUTPUT_DIR 和 AEGIS_REVIEW_DIR 使用绝对路径。
将 command 指向虚拟环境中的 aegis-mcp 可执行文件，以便 Claude 使用正确的 Python 安装和依赖项。
将 AEGIS_DEVICE 设置为 mps（适用于 Apple Silicon）、cpu（适用于 Intel Mac 或 Linux），或 cuda（如果你有 NVIDIA GPU）。