Delete main.py

main.py

@@ -1,160 +0,0 @@
-import torch
-from transformers import ViTFeatureExtractor, ViTForImageClassification
-from PIL import Image
-import matplotlib.pyplot as plt
-import numpy as np
-import gradio as gr
-import io
-import base64
-
-MODEL_NAME = "ahishamm/vit-base-HAM-10000-sharpened-patch-32"
-feature_extractor = ViTFeatureExtractor.from_pretrained(MODEL_NAME)
-model = ViTForImageClassification.from_pretrained(MODEL_NAME)
-model.eval()
-
-CLASSES = [
-    "Queratosis actínica / Bowen",      # 0
-    "Carcinoma células basales",        # 1
-    "Lesión queratósica benigna",       # 2
-    "Dermatofibroma",                   # 3
-    "Melanoma maligno",                 # 4
-    "Nevus melanocítico",               # 5
-    "Lesión vascular"                   # 6
-]
-RISK_LEVELS = {
-    0: {'level': 'Moderado', 'color': '#ffaa00', 'weight': 0.6},
-    1: {'level': 'Alto', 'color': '#ff4444', 'weight': 0.8},
-    2: {'level': 'Bajo', 'color': '#44ff44', 'weight': 0.1},
-    3: {'level': 'Bajo', 'color': '#44ff44', 'weight': 0.1},
-    4: {'level': 'Crítico', 'color': '#cc0000', 'weight': 1.0},
-    5: {'level': 'Bajo', 'color': '#44ff44', 'weight': 0.1},
-    6: {'level': 'Bajo', 'color': '#44ff44', 'weight': 0.1}
-}
-
-def analizar_lesion_vit_web(img):
-    inputs = feature_extractor(img, return_tensors="pt")
-    with torch.no_grad():
-        outputs = model(**inputs)
-        probs = outputs.logits.softmax(dim=-1).cpu().numpy()[0]
-    pred_idx = int(np.argmax(probs))
-    pred_clase = CLASSES[pred_idx]
-    confianza = probs[pred_idx]
-    cancer_risk_score = sum(probs[i] * RISK_LEVELS[i]['weight'] for i in range(7))
-    melanoma_risk = probs[4]
-    bcc_risk = probs[1]
-    precancer_risk = probs[0]
-    benign_total = sum(probs[i] for i in [2,3,5,6])
-
-    colors_bars = [RISK_LEVELS[i]['color'] for i in range(7)]
-    fig, ax = plt.subplots(figsize=(8,3))
-    ax.bar(CLASSES, probs*100, color=colors_bars)
-    ax.set_title("Probabilidad por tipo de lesión")
-    ax.set_ylabel("Probabilidad (%)")
-    ax.set_xticklabels(CLASSES, rotation=45, ha='right')
-    ax.grid(axis='y', alpha=0.2)
-    plt.tight_layout()
-    buf = io.BytesIO()
-    plt.savefig(buf, format="png")
-    plt.close(fig)
-    buf.seek(0)
-    img_bytes = buf.getvalue()
-    img_b64 = base64.b64encode(img_bytes).decode("utf-8")
-    html_chart = f'<img src="data:image/png;base64,{img_b64}" style="max-width:100%"/>'
-
-    urgency = ""
-    recommendation = ""
-    timeframe = ""
-    if cancer_risk_score > 0.6:
-        urgency = "🚨 <b>CRÍTICO</b>"
-        recommendation = "Derivación INMEDIATA a oncología dermatológica"
-        timeframe = "En 24-48 horas máximo"
-    elif cancer_risk_score > 0.4:
-        urgency = "⚠️ <b>ALTO RIESGO</b>"
-        recommendation = "Consulta urgente con dermatólogo especialista"
-        timeframe = "En 1 semana máximo"
-    elif cancer_risk_score > 0.2:
-        urgency = "📋 <b>RIESGO MODERADO</b>"
-        recommendation = "Evaluación dermatológica programada"
-        timeframe = "En 2-4 semanas"
-    else:
-        urgency = "✅ <b>BAJO RIESGO</b>"
-        recommendation = "Seguimiento de rutina"
-        timeframe = "En 3-6 meses"
-
-    informe = f"""
-    <div style="font-family:sans-serif; max-width:700px; margin:auto">
-    <h2>🏥 INFORME DE ANÁLISIS DERMATOLÓGICO CON IA</h2>
-    <b>📊 Diagnóstico principal:</b> {pred_clase}<br>
-    <b>🎯 Confianza del modelo:</b> {confianza:.1%}<br>
-    <b>📈 Score de riesgo oncológico:</b> {cancer_risk_score:.1%}<br>
-    <br>
-    <b>⚠️ Análisis de riesgo detallado:</b><br>
-    &emsp;🔴 Melanoma maligno: {melanoma_risk:.1%}<br>
-    &emsp;🟠 Carcinoma células basales: {bcc_risk:.1%}<br>
-    &emsp;🟡 Lesión pre-cancerosa: {precancer_risk:.1%}<br>
-    &emsp;🟢 Lesiones benignas: {benign_total:.1%}<br>
-    <br>
-    <b>🩺 Evaluación clínica:</b><br>
-    &emsp;{urgency}<br>
-    &emsp;💡 Recomendación: {recommendation}<br>
-    &emsp;⏰ Plazo: {timeframe}<br>
-    <br>
-    <b>🔍 Características analizadas:</b><br>
-    """
-    if melanoma_risk > 0.3:
-        informe += "• ⚠️  Posibles irregularidades sugestivas de melanoma<br>• 🔍 Asimetría o variación de color detectada<br>"
-    if bcc_risk > 0.25:
-        informe += "• 🔍 Características compatibles con carcinoma basocelular<br>"
-    if precancer_risk > 0.25:
-        informe += "• 🔍 Posible queratosis actínica (lesión pre-maligna)<br>"
-    if benign_total > 0.6:
-        informe += "• ✅ Características predominantemente benignas<br>"
-
-    informe += "<br><b>📊 Diagnósticos diferenciales (ordenados por probabilidad):</b><ul>"
-    sorted_indices = np.argsort(probs)[::-1]
-    for i, idx in enumerate(sorted_indices):
-        marker = "🎯" if i==0 else f"{i+1}."
-        prob_bars = int(probs[idx] * 30)
-        bar_visual = "█" * prob_bars + "░" * (30 - prob_bars)
-        risk_indicator = ("🔴" if idx in [1,4] else "🟡" if idx==0 else "🟢")
-        informe += f"<li>{marker} {risk_indicator} {CLASSES[idx]} — {probs[idx]:.1%} <code>{bar_visual}</code></li>"
-    informe += "</ul>"
-
-    informe += """
-    <br>
-    <b>📋 Información técnica:</b><br>
-    • Modelo: ViT-Base (HAM10000, sharpened)<br>
-    • Precisión validada: 83.7%<br>
-    • Preprocesamiento: Optimizado para dermatoscopia<br>
-    • Clases detectadas: 7 tipos de lesiones cutáneas<br>
-    <br>
-    <b>📝 Notas clínicas:</b><br>
-    """
-    if confianza < 0.7:
-        informe += "• ⚠️  Confianza moderada - considerar segunda opinión<br>"
-    if cancer_risk_score > 0.3:
-        informe += "• 🩺 Documentar evolución con fotografías seriadas<br>"
-    informe += "• 📏 Regla ABCDE: Evaluar Asimetría, Bordes, Color, Diámetro, Evolución<br>"
-
-    informe += """
-    <br><hr>
-    <b>⚕️ ADVERTENCIA MÉDICA</b><br>
-    • Este análisis es una HERRAMIENTA DE APOYO diagnóstico.<br>
-    • NO sustituye la evaluación clínica de un dermatólogo.<br>
-    • Ante cualquier duda, consulte con un profesional médico.<br>
-    • La decisión terapéutica final corresponde al médico tratante.<br>
-    </div>
-    """
-    return informe, html_chart
-
-demo = gr.Interface(
-    fn=analizar_lesion_vit_web,
-    inputs=gr.Image(type="pil", label="Sube una imagen de la lesión"),
-    outputs=[gr.HTML(label="Informe detallado"), gr.HTML(label="Gráfico de barras")],
-    title="Detector de Cáncer de Piel IA (HAM10000, ViT)",
-    description="Sube una imagen dermatológica y obtén un informe detallado generado por IA (ViT-HAM10000, accuracy ~83.7%)",
-    flagging_mode="never"
-)
-
-if __name__ == "__main__":
-    demo.launch()