MCP for nexent

MCP Services for Nexent Platform

本仓库包含为 Nexent 平台设计的 MCP (Model Context Protocol) 服务集合，专门用于病理诊断工作流程。这些服务可以独立运行，也可以集成到 Nexent 平台中，为病理诊断 AI Agent 提供强大的工具支持。

📋 目录

• 服务概览
• 快速开始
• 服务详情
• 项目结构
• 系统要求
• Nexent 平台集成
• 许可证
• 贡献

🚀 服务概览

本仓库包含三个核心 MCP 服务：

1. 🖼️ 图像搜索服务 (image_search_mcp/)

功能: 基于内容的图像检索（CBIR）服务，使用 PLIP 模型提取病理切片图像特征，通过向量相似度搜索找到最相似的历史确诊病例。该服务可以为病理图片诊断提供重要参考依据，帮助医生快速找到相似的历史病例，辅助诊断决策。

核心工具:

• search_similar_cases: 通过图像搜索相似病例（支持 URL、Base64、文件路径）
• search_similar_cases_from_file: 从文件路径搜索相似病例

端口: 18930

适用场景:

• 病理图片诊断参考: 为病理医生提供相似病例的视觉参考，辅助诊断决策
• 病理切片图像相似病例检索
• 诊断参考案例查找
• 组织形态学特征匹配
• 病例库检索

数据集: 使用 NCT-CRC-HE-100K 数据集（约 10 万张病理切片图像）

诊断价值:

• 🎯 快速参考: 通过图像相似度快速找到历史相似病例，为诊断提供参考
• 🎯 提高准确性: 基于大量历史病例的视觉特征匹配，提高诊断准确性
• 🎯 学习辅助: 帮助年轻医生学习不同病理类型的视觉特征
• 🎯 质量控制: 通过对比相似病例，辅助病理诊断的质量控制

📖 详细文档: 请查看 image_search_mcp/README.md

2. 📄 病理报告解析服务 (pathology_mcp/)

功能: 从原始病理报告文本中提取结构化信息，并提供 IHC 标记和基因突变的临床意义解释。

核心工具:

• extract_pathology_fields: 提取病理报告的结构化字段（部位、分级、分期、IHC、突变等）
• interpret_ihc: 解释 IHC 标记的临床意义
• map_mutations: 映射基因突变到临床意义和靶向治疗

端口: 18910

适用场景:

• 病理报告结构化解析
• 临床信息提取
• IHC 和突变结果解释

📖 详细文档: 请查看 pathology_mcp/README.md

3. 🔍 PubMed 文献搜索服务 (pubmed_mcp/)

功能: 通过 NCBI E-utilities API 搜索 PubMed 医学文献，特别适用于病理学相关的病例报告和临床研究检索。

核心工具:

• search_pubmed: 搜索 PubMed 数据库，支持关键词、布尔查询、发表类型过滤、时间范围限制等

端口: 18920

适用场景:

• 病例报告检索
• 临床研究查找
• 文献综述搜索
• 最新研究追踪

📖 详细文档: 请查看 pubmed_mcp/README.md

🚀 快速开始

前置要求

• Python 3.9+（推荐 3.11+）
• FastMCP >= 2.13.0
• 网络连接（用于下载模型和访问 API）
• CUDA-capable GPU（推荐，用于图像搜索服务加速）

安装步骤

每个服务都有独立的依赖和配置，请分别安装：

1. 图像搜索服务（推荐优先安装）

重要: 图像搜索服务可以为病理图片诊断提供重要参考依据，建议优先安装和配置。

cd image_search_mcp
conda create -n mcp-image-search-env python=3.11 -y
conda activate mcp-image-search-env
pip install -r requirements.txt

# 构建图谱索引（开发测试：每个类别200张）
python build_atlas.py \
    --source_dir /path/to/NCT-CRC-HE-100K/versions/1/NCT-CRC-HE-100K \
    --target_dir ./atlas_data_200 \
    --images_per_category 200

# 构建索引
python indexer.py --atlas_dir ./atlas_data_200

# 启动服务器
python server.py
# 服务器启动在 http://0.0.0.0:18930/sse

注意: 图像搜索服务需要先构建图谱索引才能使用。详细步骤请参考 image_search_mcp/README.md。

2. 病理报告解析服务

cd pathology_mcp
pip install -r requirements.txt
python server.py
# 服务器启动在 http://0.0.0.0:18910/sse

3. PubMed 文献搜索服务

cd pubmed_mcp
pip install -r requirements.txt
# 可选：配置 NCBI API Key 以提升速率限制
# export NCBI_API_KEY=your_api_key_here
python server.py
# 服务器启动在 http://0.0.0.0:18920/sse

cd image_search_mcp
conda create -n mcp-image-search-env python=3.11 -y
conda activate mcp-image-search-env
pip install -r requirements.txt

# 构建图谱索引（开发测试：每个类别200张）
python build_atlas.py \
    --source_dir /path/to/NCT-CRC-HE-100K/versions/1/NCT-CRC-HE-100K \
    --target_dir ./atlas_data_200 \
    --images_per_category 200

# 构建索引
python indexer.py --atlas_dir ./atlas_data_200

# 启动服务器
python server.py
# 服务器启动在 http://0.0.0.0:18930/sse

注意: 图像搜索服务需要先构建图谱索引才能使用。详细步骤请参考 image_search_mcp/README.md。

📚 服务详情

服务对比

工作流程示例

典型病理诊断工作流程：

1. 用户上传病理切片图像
   ↓
2. 图像搜索服务 → 找到相似病例（为诊断提供重要参考依据）
   ↓
3. 用户输入病理报告文本
   ↓
4. 病理报告解析服务 → 提取结构化信息
   ↓
5. PubMed 搜索服务 → 查找相关文献
   ↓
6. 综合结果 → 辅助诊断决策

核心价值: 图像搜索服务通过视觉特征匹配，为病理医生提供相似历史病例的参考，这是病理诊断的重要依据之一。

📁 项目结构

mcp/
├── pathology_mcp/              # 病理报告解析服务
│   ├── server.py               # FastMCP 服务器
│   ├── requirements.txt        # Python 依赖
│   └── README.md               # 详细文档
│
├── pubmed_mcp/                 # PubMed 文献搜索服务
│   ├── server.py               # FastMCP 服务器
│   ├── requirements.txt        # Python 依赖
│   └── README.md               # 详细文档
│
├── image_search_mcp/           # 图像搜索服务
│   ├── server.py               # FastMCP 服务器
│   ├── indexer.py              # 索引构建脚本
│   ├── plip_model.py           # PLIP 模型封装
│   ├── build_atlas.py          # 图谱构建工具
│   ├── requirements.txt        # Python 依赖
│   └── README.md               # 详细文档
│
├── mcp_server.py              # 示例 MCP 服务器
├── 图谱MCP.md                  # 开发文档
└── README.md                   # 本文档

💻 系统要求

基础要求

• Python: 3.9+（推荐 3.11+）
• 操作系统: Linux, macOS, Windows
• 内存: 至少 4GB RAM（图像搜索服务推荐 8GB+）
• 网络: 稳定的网络连接

图像搜索服务额外要求

• GPU: CUDA-capable GPU（推荐，用于加速）
• 磁盘空间:

- 开发测试：~300 MB - 生产环境：~15 GB（完整数据集）

• Conda: 用于环境管理（推荐）

依赖管理

每个服务都有独立的 requirements.txt，建议为每个服务创建独立的虚拟环境：

# 方式1: 使用 conda（推荐）
conda create -n mcp-pathology-env python=3.11
conda create -n mcp-pubmed-env python=3.11
conda create -n mcp-image-search-env python=3.11

# 方式2: 使用 venv
python -m venv venv_pathology
python -m venv venv_pubmed
python -m venv venv_image_search

🔗 Nexent 平台集成

配置步骤

在 Nexent 平台中配置这些 MCP 服务：

1. 添加 MCP 服务器

在 Nexent 的 MCP 配置中添加以下服务器：

注意: - 如果 Nexent 在 Docker 中运行，使用 172.17.0.1（Docker 默认网关） - 如果同机运行，可以使用 localhost 或 127.0.0.1

1. 验证连接

启动各个服务后，在 Nexent 平台中测试工具调用，确保连接正常。

1. 使用工具

在 Nexent 的 AI Agent 中，这些工具会自动可用，可以通过自然语言或直接调用工具名称来使用。

集成示例

在 Nexent 中使用图像搜索（为病理图片诊断提供重要参考依据）：

用户: 上传一张病理切片图片，帮我找相似的病例作为诊断参考

Agent: 
1. 调用 search_similar_cases 工具
2. 返回 Top-5 相似病例
3. 展示诊断类别和相似度得分
4. 提供历史病例的视觉参考，辅助诊断决策

在 Nexent 中使用病理报告解析：

用户: 解析这份病理报告：[粘贴报告文本]

Agent:
1. 调用 extract_pathology_fields 工具
2. 提取结构化信息
3. 调用 interpret_ihc 和 map_mutations 解释结果
4. 返回结构化数据和临床意义

在 Nexent 中使用 PubMed 搜索：

用户: 查找关于 EGFR 突变的病例报告

Agent:
1. 调用 search_pubmed 工具
2. 搜索 "EGFR mutation" + Case Reports
3. 返回相关文献列表和摘要

📊 服务端口分配

注意: 确保这些端口未被其他服务占用。如需修改端口，请编辑各服务的 server.py 文件。

🔧 开发说明

扩展服务

每个服务都使用 FastMCP 框架，可以轻松扩展：

1. 添加新工具: 使用 @mcp.tool 装饰器
2. 修改现有工具: 编辑 server.py 中的工具函数
3. 集成外部服务: 在工具函数中调用外部 API 或数据库

测试

每个服务都可以独立测试：

# 测试病理报告解析服务
cd pathology_mcp
python server.py
# 使用 MCP 客户端测试工具调用

# 测试 PubMed 搜索服务
cd pubmed_mcp
python server.py
# 使用 MCP 客户端测试工具调用

# 测试图像搜索服务
cd image_search_mcp
python server.py
# 使用 MCP 客户端测试工具调用

📖 详细文档

每个服务都有详细的 README 文档，包含：

• ✅ 原理概述: 服务的工作原理和技术细节
• ✅ 快速开始: 详细的安装和配置步骤
• ✅ API 文档: 完整的工具参数和返回格式说明
• ✅ 使用示例: 实际使用场景和代码示例
• ✅ 配置说明: 各种配置选项和优化建议
• ✅ 故障排除: 常见问题和解决方案

请查看各服务目录下的 README.md 获取详细信息：

• 📄 pathology_mcp/README.md - 病理报告解析服务详细文档
• 📄 pubmed_mcp/README.md - PubMed 搜索服务详细文档
• 📄 image_search_mcp/README.md - 图像搜索服务详细文档

📄 许可证

请参考项目根目录的 LICENSE 文件。

🤝 贡献

欢迎提交 Issue 和 Pull Request！

贡献指南

1. Fork 本仓库
2. 创建特性分支 (git checkout -b feature/AmazingFeature)
3. 提交更改 (git commit -m 'Add some AmazingFeature')
4. 推送到分支 (git push origin feature/AmazingFeature)
5. 开启 Pull Request

代码规范

• 遵循 PEP 8 Python 代码规范
• 添加适当的注释和文档字符串
• 更新相关的 README 文档

📧 联系方式

如有问题或建议，请通过 GitHub Issues 联系。

🙏 致谢

• FastMCP: MCP 协议服务器框架
• PLIP: 病理图像预训练模型（vinid/plip）
• ChromaDB: 向量数据库
• NCBI: PubMed API 服务
• NCT-CRC-HE-100K: 病理图像数据集

最后更新: 2025-12-07