changing API

app.py

@@ -1,7 +1,168 @@
-from fastapi import FastAPI
+from fastapi import FastAPI, File, UploadFile, HTTPException
+from fastapi.middleware.cors import CORSMiddleware
+from huggingface_hub import login
+from transformers import pipeline
+from PIL import Image
+import io
+import base64
+from datetime import datetime
+from typing import Optional
+
+# Login no Hugging Face
+login(new_session=False)
+
+app = FastAPI(
+    title="CareLink Medical API",
+    description="API para análise de exames médicos usando IA",
+    version="1.0.0"
+)
+
+# Configurar CORS para permitir requisições do frontend
+app.add_middleware(
+    CORSMiddleware,
+    allow_origins=["*"],  # Em produção, especifique o domínio do frontend
+    allow_credentials=True,
+    allow_methods=["*"],
+    allow_headers=["*"],
+)
+
+# Inicializar o pipeline do modelo (fazer isso uma vez no startup)
+print("Carregando modelo MedGemma...")
+pipe = None
+
+@app.on_event("startup")
+async def startup_event():
+    global pipe
+    try:
+        pipe = pipeline("image-text-to-text", model="google/medgemma-4b-it")
+        print("Modelo MedGemma carregado com sucesso!")
+    except Exception as e:
+        print(f"Erro ao carregar modelo: {e}")
 
-app = FastAPI()
 
 @app.get("/")
-def init():
-    return {"Hello": "Ed"}
+def root():
+    return {
+        "message": "CareLink Medical API",
+        "status": "online",
+        "version": "1.0.0",
+        "endpoints": {
+            "analyze_exam": "/api/analyze-exam (POST)",
+            "health": "/health (GET)"
+        }
+    }
+
+
+@app.get("/health")
+def health_check():
+    return {
+        "status": "healthy",
+        "model_loaded": pipe is not None,
+        "timestamp": datetime.now().isoformat()
+    }
+
+
+@app.post("/api/analyze-exam")
+async def analyze_exam(
+    file: UploadFile = File(...),
+    patient_name: Optional[str] = None
+):
+    """
+    Analisa uma imagem de exame médico usando o modelo MedGemma.
+    
+    - **file**: Imagem do exame (JPEG, PNG, etc)
+    - **patient_name**: Nome do paciente (opcional)
+    """
+    
+    if pipe is None:
+        raise HTTPException(
+            status_code=503,
+            detail="Modelo ainda não foi carregado. Tente novamente em alguns instantes."
+        )
+    
+    # Validar tipo de arquivo
+    if not file.content_type.startswith('image/'):
+        raise HTTPException(
+            status_code=400,
+            detail="O arquivo enviado não é uma imagem válida"
+        )
+    
+    try:
+        # Ler a imagem
+        contents = await file.read()
+        image = Image.open(io.BytesIO(contents))
+        
+        # Converter imagem para base64 para retornar ao frontend (opcional)
+        buffered = io.BytesIO()
+        image.save(buffered, format=image.format or "PNG")
+        img_base64 = base64.b64encode(buffered.getvalue()).decode()
+        
+        # Preparar mensagem para o modelo
+        messages = [
+            {
+                "role": "user",
+                "content": [
+                    {"type": "image", "image": image},
+                    {
+                        "type": "text",
+                        "text": "Analise esta imagem de exame médico. Descreva o que você observa, "
+                                "identifique possíveis achados clínicos e forneça uma análise detalhada. "
+                                "Se possível, indique se há algo que requer atenção médica."
+                    }
+                ]
+            }
+        ]
+        
+        # Processar com o modelo
+        print(f"Analisando exame para paciente: {patient_name or 'não especificado'}")
+        result = pipe(messages)
+        
+        # Extrair a resposta do modelo
+        analysis_text = ""
+        if isinstance(result, list) and len(result) > 0:
+            if isinstance(result[0], dict) and "generated_text" in result[0]:
+                analysis_text = result[0]["generated_text"]
+            else:
+                analysis_text = str(result[0])
+        else:
+            analysis_text = str(result)
+        
+        # Montar resposta estruturada
+        response = {
+            "success": True,
+            "timestamp": datetime.now().isoformat(),
+            "patient_name": patient_name,
+            "file_info": {
+                "filename": file.filename,
+                "content_type": file.content_type,
+                "size_bytes": len(contents)
+            },
+            "analysis": {
+                "model": "google/medgemma-4b-it",
+                "result": analysis_text,
+                "confidence": "high"  # Você pode adicionar lógica para calcular confiança
+            },
+            "image_preview": f"data:image/png;base64,{img_base64[:100]}..."  # Preview truncado
+        }
+        
+        print(f"Análise concluída com sucesso para: {file.filename}")
+        return response
+        
+    except Exception as e:
+        print(f"Erro ao processar imagem: {str(e)}")
+        raise HTTPException(
+            status_code=500,
+            detail=f"Erro ao processar a imagem: {str(e)}"
+        )
+
+
+@app.get("/api/test-model")
+def test_model():
+    """Endpoint para testar se o modelo está funcionando"""
+    if pipe is None:
+        return {"status": "error", "message": "Modelo não carregado"}
+    return {
+        "status": "ok",
+        "model": "google/medgemma-4b-it",
+        "message": "Modelo carregado e pronto para uso"
+    }