Update app.py

app.py

@@ -52,6 +52,23 @@ MODEL_CONFIGS = {
             'description': 'Modelo ISIC 2024 con SMOTE para desequilibrio de clases',
             'emoji': '⚖️'
         },
+        # --- NUEVOS MODELOS ESPECIALIZADOS AÑADIDOS ---
+        {
+            'name': 'ViT ISIC Binary',
+            'id': 'ahishamm/vit-base-binary-isic-sharpened-patch-32',
+            'type': 'vit',
+            'accuracy': 0.89, # Reported accuracy
+            'description': 'ViT para clasificación binaria de lesiones ISIC (benigno/maligno)',
+            'emoji': '🔬'
+        },
+        {
+            'name': 'ViT ISIC Multi-class',
+            'id': 'ahishamm/vit-base-isic-patch-16',
+            'type': 'vit',
+            'accuracy': 0.79, # Reported accuracy
+            'description': 'ViT para clasificación multi-clase de lesiones ISIC',
+            'emoji': '🔍'
+        }
     ],
     "generales": [
         {
@@ -292,28 +309,34 @@ def predict_with_model(image, model_data):
                 
                 probabilities = F.softmax(logits, dim=-1).cpu().numpy()[0]
             
-            if len(probabilities) == 7:
+            # --- Mapeo de probabilidades según el número de clases de salida del modelo ---
+            if len(probabilities) == 7: # Modelos ya entrenados para 7 clases de piel
                 mapped_probs = probabilities
-            elif len(probabilities) == 1000: # General ImageNet models
-                mapped_probs = np.ones(7) / 7 
-                # Ajuste heurístico para modelos generales:
-                mapped_probs[5] += 0.1 
-                mapped_probs[2] += 0.05 
-                mapped_probs = mapped_probs / np.sum(mapped_probs) 
-                
-            elif len(probabilities) == 2: # Binary classification
+            elif len(probabilities) == 2: # Modelos binarios (e.g., maligno/benigno)
                 mapped_probs = np.zeros(7)
-                if probabilities[1] > 0.5:  # Maligno
-                    mapped_probs[4] = probabilities[1] * 0.5  
-                    mapped_probs[1] = probabilities[1] * 0.3 
-                    mapped_probs[0] = probabilities[1] * 0.2  
-                else:  # Benigno
-                    mapped_probs[5] = probabilities[0] * 0.6  
-                    mapped_probs[2] = probabilities[0] * 0.2  
-                    mapped_probs[3] = probabilities[0] * 0.1  
-                    mapped_probs[6] = probabilities[0] * 0.1  
-                mapped_probs = mapped_probs / np.sum(mapped_probs) 
-            else:
+                # Asumimos que la clase 0 es benigna y la 1 es maligna en un modelo binario
+                if probabilities[1] > 0.5: # Predicción de maligno
+                    # Distribuimos la probabilidad maligna entre los tipos malignos conocidos, dando más peso al melanoma
+                    mapped_probs[4] = probabilities[1] * 0.5  # Melanoma
+                    mapped_probs[1] = probabilities[1] * 0.3  # BCC
+                    mapped_probs[0] = probabilities[1] * 0.2  # AKIEC
+                else: # Predicción de benigno
+                    # Distribuimos la probabilidad benigna entre los tipos benignos conocidos, dando más peso al nevus
+                    mapped_probs[5] = probabilities[0] * 0.6  # Nevus (más común)
+                    mapped_probs[2] = probabilities[0] * 0.2  # BKL
+                    mapped_probs[3] = probabilities[0] * 0.1  # DF
+                    mapped_probs[6] = probabilities[0] * 0.1  # VASC
+                mapped_probs = mapped_probs / np.sum(mapped_probs) # Normalizar para que sumen 1
+            elif len(probabilities) == 1000: # Modelos generales como los de ImageNet (1000 clases)
+                mapped_probs = np.ones(7) / 7 # Empezamos con distribución uniforme
+                # Ajuste heurístico: Asignamos un poco más de peso a clases benignas por defecto
+                # Esto es una simplificación, ya que mapear 1000 clases a 7 es muy complejo sin un mapping explícito.
+                # Se busca que los modelos generales no "alarmen" sin un entrenamiento específico en piel.
+                mapped_probs[5] += 0.1 # Aumentar Nevus (NV) ligeramente
+                mapped_probs[2] += 0.05 # Aumentar Lesión queratósica benigna (BKL) ligeramente
+                mapped_probs = mapped_probs / np.sum(mapped_probs) # Re-normalizar
+            else: # Otros casos de dimensiones de salida no esperadas: distribución uniforme
+                print(f"Advertencia: Dimensión de salida inesperada para {config['name']} ({len(probabilities)} clases). Usando distribución uniforme.")
                 mapped_probs = np.ones(7) / 7
                 
             predicted_idx = int(np.argmax(mapped_probs))
@@ -510,6 +533,10 @@ def analizar_lesion(img):
             class_votes[class_name] += 1
             confidence_sum[class_name] += confidence
         
+        # Manejar el caso donde no hay votos por alguna razón (aunque predictions ya valida que hay)
+        if not class_votes:
+             return "<h3>❌ Error en el Consenso</h3><p>No se pudieron consolidar los votos de los modelos.</p>"
+             
         consensus_class = max(class_votes.keys(), key=lambda x: class_votes[x])
         avg_confidence = confidence_sum[consensus_class] / class_votes[consensus_class]
         
@@ -736,7 +763,8 @@ def create_interface():
         gr.Markdown(f"""
         ---
         **Estado del Sistema:**
-        - ✅ Modelos cargados: {len(loaded_models)} de {total_possible_models} configurados.
+        - ✅ Modelos configurados para carga: {total_possible_models} ({len(MODEL_CONFIGS['especializados'])} especializados, {len(MODEL_CONFIGS['generales'])} generales).
+        - 🚀 Modelos cargados exitosamente: {len(loaded_models)}
         - 🎯 Precisión promedio estimada: {np.mean(list(model_performance.values())):.1%}
         - ⚠️ **Este sistema es solo para apoyo diagnóstico. Consulte siempre a un profesional médico.**
         """)
@@ -747,7 +775,8 @@ if __name__ == "__main__":
     print(f"\n🚀 Sistema listo!")
     # Calcular el número total de modelos posibles
     total_possible_models = sum(len(configs) for configs in MODEL_CONFIGS.values())
-    print(f"📊 Modelos cargados: {len(loaded_models)} de {total_possible_models} configurados.")
+    print(f"📊 Modelos configurados para carga: {total_possible_models} ({len(MODEL_CONFIGS['especializados'])} especializados, {len(MODEL_CONFIGS['generales'])} generales).")
+    print(f"🚀 Modelos cargados exitosamente: {len(loaded_models)}")
     print(f"🎯 Estado: {'✅ Operativo' if loaded_models else '❌ Sin modelos'}")
     
     demo = create_interface()