CLARA Server

Backend pentru CLARA, sistem hibrid de diagnosticare radiologică pulmonară. Expune un model ViT-B/16 fine-tuned pe CheXpert (14 patologii), explicabilitate LRP-ViT, segmentare promptabilă LRP-to-SAM2, RAG clinic, generare de raport și 4 agent skills MCP, totul cu securitate agentică în 4 straturi.

⚠️ Instrument de augmentare, nu de înlocuire a radiologului. Output asistat de AI, de validat de medic.

Stack

Componentă	Tehnologie
API + MCP	FastAPI + fastmcp (REST și MCP coexistente)
Pipeline asincron	Celery + Redis (progres prin SSE)
Bază de date	PostgreSQL + pgvector (audit log + index RAG)
CV	PyTorch 2.3 + transformers + peft
Orchestrare	Docker Compose
Frontend	Next.js (separat: ../clara-radiology-dashboard)

Structura proiectului

clara-mcp-server/
├── app/
│   ├── main.py            # FastAPI: montează REST + MCP
│   ├── config.py          # setări (pydantic-settings)
│   ├── api/               # POST /analyze, GET /stream/{job_id}, scheme
│   ├── cv_engine/         # model, preprocess, LRP-ViT, LRP-to-SAM2, inference
│   ├── rag/               # embedder, knowledge base, retriever, TAM
│   ├── mcp/               # server fastmcp + cele 4 skills
│   ├── security/          # sanitize, prompt guard, guardrails, audit log
│   ├── tasks/             # Celery app + pipeline asincron
│   ├── db/                # SQLAlchemy engine + modele ORM
│   └── llm/               # generare raport radiologic
├── weights/               # vit_lora_chexpert.pt (montat ca volum)
├── scripts/init_db.sql    # pgvector + tabele
├── demo/                  # imagine demo pentru apărare
├── tests/test_e2e.py
├── Dockerfile
├── docker-compose.yml
└── requirements.txt

Pornire rapidă (docker compose up)

cp .env.example .env          # completează OPENAI_API_KEY (opțional)
# pune modelul în weights/vit_lora_chexpert.pt  (deja copiat dacă ai folosit scriptul)
docker compose up --build

Servicii disponibile după pornire:

• API + docs OpenAPI: http://localhost:8000/docs
• Endpoint MCP: http://localhost:8000/mcp
• Postgres: localhost:5432, Redis: localhost:6379

API REST (rezumat)

Metodă	Rută	Descriere
POST	/analyze	Trimite o radiografie, creează un job asincron
GET	/stream/{job_id}	Progres în timp real (SSE) + rezultat final
GET	/health	Status model + dependențe

Cele 4 agent skills (MCP)

1. ExecuteVisionInference — clasificare ViT + LRP + LRP-to-SAM2
2. QueryClinicalKnowledge — RAG ierarhic pe baza de cunoștințe clinică
3. SynthesizeMedicalReport — raport radiologic via LLM
4. EscalateToHumanExpert — decizie conservatoare de escalare

Securitate agentică (4 straturi)

1. Sanitizare PII la ingestie (Presidio / regex fallback)
2. Izolarea contextului în prompt (delimitare XML, context = date, nu comenzi)
3. Validarea output-ului (Guardrails / heuristici anti-halucinație și anti-injecție)
4. Audit log imutabil cu lanț de hash-uri (Postgres)

Note pentru demonstrația live

• SAM2 are fallback clasic (GrabCut) dacă pachetul Meta nu e instalat.
• BiomedCLIP are fallback la sentence-transformers dacă nu se încarcă.
• Fără OPENAI_API_KEY, raportul revine la promptul structurat TAM (rulează oricum).

---

Status implementare: Pas 6/7 — backend complet (CV + REST/SSE + Celery + MCP + RAG + securitate) + integrare frontend (api.ts, SSE, /audit/recent, lrp_map_b64 + report în pipeline). Urmează test e2e + screenshot-uri.