의료 영상 분할은 생물의학적 발견의 핵심 요소이다. 기존의 방법들은 일반화 능력이 부족하며, 새로운 임상 적용을 위해 광범위하고 시간이 오래 걸리는 수동 레이블링을 요구한다. 본 연구에서는 의료 영상 및 영상 영역 분할을 위한 텍스트 프롬프트 가능 의료 분할 모델인 MedSAM-3을 제안한다. 세그먼트 애니웨어 모델(Segment Anything Model, SAM) 3 아키텍처를 의료 영상과 의미론적 개념 레이블 쌍으로 미세 조정함으로써, MedSAM-3은 의료 프롬프트 가능한 개념 분할(Promptable Concept Segmentation, PCS)을 가능하게 하여, 단순한 기하학적 프롬프트에 의존하는 것이 아니라 개방형 어휘(Open-vocabulary) 텍스트 설명을 통해 해부학적 구조를 정밀하게 타겟팅할 수 있다. 또한, 멀티모달 대규모 언어 모델(Multimodal Large Language Models, MLLMs)을 통합하여 복잡한 추론과 반복적 정교화를 수행하는 에이전트-인-더-루프 워크플로우를 구현한 MedSAM-3 에이전트를 제안한다. X-선, MRI, 초음파, CT 및 영상 영역을 포함한 다양한 의료 영상 모달리티에 걸쳐 수행된 종합적인 실험 결과, 기존의 전문 모델 및 기초 모델들을 상회하는 우수한 성능을 입증하였다. 본 연구의 코드 및 모델은 https://github.com/Joey-S-Liu/MedSAM3 에서 공개될 예정이다.