Update app.py

app.py

@@ -38,7 +38,7 @@ MODEL_CONFIGS = {
         },
         {
             'name': 'Anwarkh1 Skin Cancer',
-            'id': 'Anwarkh1/Skin_Cancer-Image_Classification', 
+            'id': 'Anwarkh1/Skin_Cancer-Image_Classification',
             'type': 'vit',
             'accuracy': 0.89,
             'description': 'Clasificador multi-clase de lesiones de piel',
@@ -75,15 +75,15 @@ MODEL_CONFIGS = {
             'name': 'ViT Base General',
             'id': 'google/vit-base-patch16-224',
             'type': 'vit',
-            'accuracy': 0.78, 
+            'accuracy': 0.78,
             'description': 'ViT base pre-entrenado en ImageNet-1k. Excelente para características visuales generales.',
             'emoji': '📈'
         },
         {
             'name': 'ResNet-50 (Microsoft)',
             'id': 'microsoft/resnet-50',
-            'type': 'custom', 
-            'accuracy': 0.77, 
+            'type': 'custom',
+            'accuracy': 0.77,
             'description': 'Un clásico ResNet-50, robusto y de alto rendimiento en clasificación de imágenes generales.',
             'emoji': '⚙️'
         },
@@ -91,7 +91,7 @@ MODEL_CONFIGS = {
             'name': 'DeiT Base (Facebook)',
             'id': 'facebook/deit-base-patch16-224',
             'type': 'vit',
-            'accuracy': 0.79, 
+            'accuracy': 0.79,
             'description': 'Data-efficient Image Transformer, eficiente y de buen rendimiento general.',
             'emoji': '💡'
         },
@@ -99,15 +99,15 @@ MODEL_CONFIGS = {
             'name': 'MobileNetV2 (Google)',
             'id': 'google/mobilenet_v2_1.0_224',
             'type': 'custom',
-            'accuracy': 0.72, 
+            'accuracy': 0.72,
             'description': 'MobileNetV2, modelo ligero y rápido, ideal para entornos con recursos limitados.',
             'emoji': '📱'
         },
         {
             'name': 'Swin Tiny (Microsoft)',
-            'id': 'microsoft/swin-tiny-patch4-window7-224', 
-            'type': 'custom', 
-            'accuracy': 0.81, 
+            'id': 'microsoft/swin-tiny-patch4-window7-224',
+            'type': 'custom',
+            'accuracy': 0.81,
             'description': 'Swin Transformer (Tiny), potente para visión por computadora.',
             'emoji': '🌀'
         },
@@ -128,34 +128,56 @@ loaded_models = {}
 model_performance = {}
 
 def load_model_safe(config):
-    """Carga segura de modelos con manejo de errores mejorado"""
+    """Carga segura de modelos con manejo de errores mejorado y revisiones específicas."""
     try:
         model_id = config['id']
         model_type = config['type']
         print(f"🔄 Cargando {config['emoji']} {config['name']}...")
-        
-        try:
-            processor = AutoImageProcessor.from_pretrained(model_id)
-            model = AutoModelForImageClassification.from_pretrained(model_id)
-        except Exception as e_auto:
-            if model_type == 'vit':
-                try:
-                    processor = ViTImageProcessor.from_pretrained(model_id)
-                    model = ViTForImageClassification.from_pretrained(model_id)
-                except Exception as e_vit:
-                    raise e_vit 
-            else:
-                raise e_auto
-        
+
+        # Intentar cargar con revisiones específicas para evitar problemas de safetensors/float16
+        # Si PyTorch es 2.6.0, es posible que 'safetensors' aún no sea 100% estable en todos los modelos/configuraciones
+        # y que el soporte de float16 requiera revisión específica.
+        revisions_to_try = ["main", "no_float16_weights", None] # None intentará el valor por defecto
+
+        processor = None
+        model = None
+        load_successful = False
+
+        for revision in revisions_to_try:
+            try:
+                if revision:
+                    print(f"   Intentando revisión: {revision}")
+                    processor = AutoImageProcessor.from_pretrained(model_id, revision=revision)
+                    model = AutoModelForImageClassification.from_pretrained(model_id, revision=revision)
+                else:
+                    processor = AutoImageProcessor.from_pretrained(model_id)
+                    model = AutoModelForImageClassification.from_pretrained(model_id)
+                load_successful = True
+                break # Éxito en la carga, salir del bucle de revisiones
+            except Exception as e_rev:
+                print(f"   Fallo con revisión '{revision}': {e_rev}")
+                if model_type == 'vit' and revision is None: # Si el tipo es 'vit' y la carga inicial falló, probar ViTImageProcessor
+                    try:
+                        processor = ViTImageProcessor.from_pretrained(model_id)
+                        model = ViTForImageClassification.from_pretrained(model_id)
+                        load_successful = True
+                        break
+                    except Exception as e_vit:
+                        print(f"   Fallo con ViTImageProcessor/ViTForImageClassification: {e_vit}")
+                        continue # Intentar la siguiente revisión
+
+        if not load_successful:
+            raise Exception("No se pudo cargar el modelo con ninguna revisión o método alternativo.")
+
         model.eval()
-        
+
         # Verificar que el modelo funciona con una entrada dummy
         test_input = processor(Image.new('RGB', (224, 224), color='white'), return_tensors="pt")
         with torch.no_grad():
             test_output = model(**test_input)
-            
+
         print(f"✅ {config['emoji']} {config['name']} cargado exitosamente")
-        
+
         return {
             'processor': processor,
             'model': model,
@@ -163,7 +185,7 @@ def load_model_safe(config):
             'output_dim': test_output.logits.shape[-1] if hasattr(test_output, 'logits') else len(test_output[0]),
             'category': config.get('category', 'general') # Añadimos la categoría aquí
         }
-        
+
     except Exception as e:
         print(f"❌ {config['emoji']} {config['name']} falló: {e}")
         print(f"    Error detallado: {type(e).__name__}")
@@ -175,7 +197,7 @@ print("\n📦 Cargando modelos...")
 for category, configs in MODEL_CONFIGS.items():
     for config in configs:
         # Añadir la categoría al diccionario de configuración antes de pasar a load_model_safe
-        config['category'] = category 
+        config['category'] = category
         model_data = load_model_safe(config)
         if model_data:
             loaded_models[config['name']] = model_data
@@ -189,20 +211,20 @@ if not loaded_models:
         'microsoft/resnet-50',
         'google/vit-large-patch16-224'
     ]
-    
+
     for fallback_id in fallback_models:
         try:
             print(f"🔄 Intentando modelo de respaldo: {fallback_id}")
             processor = AutoImageProcessor.from_pretrained(fallback_id)
             model = AutoModelForImageClassification.from_pretrained(fallback_id)
             model.eval()
-            
+
             loaded_models[f'Respaldo-{fallback_id.split("/")[-1]}'] = {
                 'processor': processor,
                 'model': model,
                 'config': {
-                    'name': f'Respaldo {fallback_id.split("/")[-1]}', 
-                    'emoji': '🏥', 
+                    'name': f'Respaldo {fallback_id.split("/")[-1]}',
+                    'emoji': '🏥',
                     'accuracy': 0.75,
                     'type': 'fallback',
                     'category': 'general' # El de respaldo es general
@@ -215,7 +237,7 @@ if not loaded_models:
         except Exception as e:
             print(f"❌ Respaldo {fallback_id} falló: {e}")
             continue
-    
+
     if not loaded_models:
         print(f"❌ ERROR CRÍTICO: No se pudo cargar ningún modelo")
         print("💡 Verifica tu conexión a internet y que tengas transformers instalado")
@@ -227,12 +249,12 @@ if not loaded_models:
 
 # Clases de lesiones de piel (HAM10000 dataset)
 CLASSES = [
-    "Queratosis actínica / Bowen (AKIEC)", 
+    "Queratosis actínica / Bowen (AKIEC)",
     "Carcinoma células basales (BCC)",
-    "Lesión queratósica benigna (BKL)", 
-    "Dermatofibroma (DF)", 
-    "Melanoma maligno (MEL)", 
-    "Nevus melanocítico (NV)", 
+    "Lesión queratósica benigna (BKL)",
+    "Dermatofibroma (DF)",
+    "Melanoma maligno (MEL)",
+    "Nevus melanocítico (NV)",
     "Lesión vascular (VASC)"
 ]
 
@@ -253,62 +275,62 @@ def predict_with_model(image, model_data):
     """Predicción con un modelo específico - versión mejorada"""
     try:
         config = model_data['config']
-        
+
         # Redimensionar imagen
         image_resized = image.resize((224, 224), Image.LANCZOS)
-        
+
         if model_data.get('type') == 'pipeline': # Esto debería ser poco común con la lista actual
             pipeline = model_data['pipeline']
             results = pipeline(image_resized)
-            
+
             if isinstance(results, list) and len(results) > 0:
-                mapped_probs = np.ones(7) / 7 
+                mapped_probs = np.ones(7) / 7
                 confidence = results[0]['score'] if 'score' in results[0] else 0.5
-                
+
                 label = results[0].get('label', '').lower()
                 if any(word in label for word in ['melanoma', 'mel', 'malignant', 'cancer']):
-                    predicted_idx = 4 
+                    predicted_idx = 4
                 elif any(word in label for word in ['carcinoma', 'bcc', 'basal']):
-                    predicted_idx = 1 
+                    predicted_idx = 1
                 elif any(word in label for word in ['keratosis', 'akiec']):
-                    predicted_idx = 0 
+                    predicted_idx = 0
                 elif any(word in label for word in ['nevus', 'nv', 'benign']):
-                    predicted_idx = 5 
+                    predicted_idx = 5
                 else:
-                    predicted_idx = 2 
-                    
+                    predicted_idx = 2
+
                 mapped_probs[predicted_idx] = confidence
                 remaining_sum = (1.0 - confidence)
-                if remaining_sum < 0: remaining_sum = 0 
-                
-                num_other_classes = 6 
+                if remaining_sum < 0: remaining_sum = 0
+
+                num_other_classes = 6
                 if num_other_classes > 0:
                     remaining_per_class = remaining_sum / num_other_classes
                     for i in range(7):
                         if i != predicted_idx:
                             mapped_probs[i] = remaining_per_class
-                
+
             else:
                 mapped_probs = np.ones(7) / 7
-                predicted_idx = 5 
+                predicted_idx = 5
                 confidence = 0.3
-                
+
         else: # Usar modelo estándar (AutoModel/ViT)
             processor = model_data['processor']
             model = model_data['model']
-            
+
             inputs = processor(image_resized, return_tensors="pt")
-            
+
             with torch.no_grad():
                 outputs = model(**inputs)
-                
+
                 if hasattr(outputs, 'logits'):
                     logits = outputs.logits
                 else:
                     logits = outputs[0] if isinstance(outputs, (tuple, list)) else outputs
-                
+
                 probabilities = F.softmax(logits, dim=-1).cpu().numpy()[0]
-            
+
             # --- 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
@@ -327,21 +349,43 @@ def predict_with_model(image, model_data):
                     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
+            elif len(probabilities) in [1000, 900]: # Modelos generales como los de ImageNet (1000 clases) o modelos preentrenados en ImageNet-21k (900 clases)
+                mapped_probs = np.zeros(7)
+                # Intentar mapear las clases del modelo a las clases de piel si hay un id2label
+                if hasattr(model, 'config') and hasattr(model.config, 'id2label'):
+                    model_labels = {v.lower(): k for k, v in model.config.id2label.items()}
+                    # Asignar probabilidades a las clases de piel si coinciden
+                    for i, skin_class in enumerate(CLASSES):
+                        # Intentar buscar la etiqueta completa o una parte clave
+                        key_words = skin_class.split('(')[1].rstrip(')').lower().split()
+                        found = False
+                        for key_word in key_words:
+                            for model_label, model_idx in model_labels.items():
+                                if key_word in model_label:
+                                    # Sumar la probabilidad de la clase del modelo a la clase de piel
+                                    mapped_probs[i] += probabilities[model_idx]
+                                    found = True
+                                    break
+                            if found: break # Ya encontramos una coincidencia para esta clase de piel
+                
+                # Si después del intento de mapeo, las probabilidades son cero o muy bajas,
+                # o si no hay id2label, usar la distribución uniforme (o heurística)
+                if np.sum(mapped_probs) == 0:
+                    print(f"Advertencia: No se pudo mapear clases específicas para {config['name']} ({len(probabilities)} clases). Usando distribución heurística.")
+                    mapped_probs = np.ones(7) / 7 # Empezamos con distribución uniforme
+                    # Ajuste heurístico: Asignamos un poco más de peso a clases benignas por defecto
+                    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:
+                    mapped_probs = mapped_probs / np.sum(mapped_probs) # Normalizar las probabilidades mapeadas
             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))
             confidence = float(mapped_probs[predicted_idx])
-            
+
         return {
             'model': f"{config['emoji']} {config['name']}",
             'class': CLASSES[predicted_idx],
@@ -352,7 +396,7 @@ def predict_with_model(image, model_data):
             'success': True,
             'category': model_data['category'] # Añadir la categoría de vuelta
         }
-        
+
     except Exception as e:
         print(f"❌ Error en {config['name']}: {e}")
         return {
@@ -366,12 +410,12 @@ def create_probability_chart(predictions, consensus_class):
     """Crear gráfico de barras con probabilidades"""
     try:
         fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(15, 6))
-        
+
         # Gráfico 1: Probabilidades por clase (consenso)
         if predictions:
             avg_probs = np.zeros(7)
             valid_predictions = [p for p in predictions if p.get('success', False)]
-            
+
             if len(valid_predictions) > 0:
                 for pred in valid_predictions:
                     if isinstance(pred['probabilities'], np.ndarray) and len(pred['probabilities']) == 7 and not np.isnan(pred['probabilities']).any():
@@ -380,37 +424,37 @@ def create_probability_chart(predictions, consensus_class):
                         print(f"Advertencia: Probabilidades no válidas para {pred['model']}: {pred['probabilities']}")
                 avg_probs /= len(valid_predictions)
             else:
-                avg_probs = np.ones(7) / 7 
-            
+                avg_probs = np.ones(7) / 7
+
             colors = ['#ff6b35' if i in MALIGNANT_INDICES else '#44ff44' for i in range(7)]
             bars = ax1.bar(range(7), avg_probs, color=colors, alpha=0.8)
-            
+
             if consensus_class in CLASSES:
                 consensus_idx = CLASSES.index(consensus_class)
                 bars[consensus_idx].set_color('#2196F3')
                 bars[consensus_idx].set_linewidth(3)
                 bars[consensus_idx].set_edgecolor('black')
-            
+
             ax1.set_xlabel('Tipos de Lesión')
             ax1.set_ylabel('Probabilidad Promedio')
             ax1.set_title('📊 Distribución de Probabilidades por Clase')
             ax1.set_xticks(range(7))
             ax1.set_xticklabels([cls.split('(')[1].rstrip(')') for cls in CLASSES], rotation=45)
             ax1.grid(True, alpha=0.3)
-            
+
             for i, bar in enumerate(bars):
                 height = bar.get_height()
                 ax1.text(bar.get_x() + bar.get_width()/2., height + 0.01,
-                                 f'{height:.2%}', ha='center', va='bottom', fontsize=9)
-        
+                                    f'{height:.2%}', ha='center', va='bottom', fontsize=9)
+
         # Gráfico 2: Confianza por modelo
         valid_predictions = [p for p in predictions if p.get('success', False)]
         model_names = [pred['model'].split(' ')[1] if len(pred['model'].split(' ')) > 1 else pred['model'] for pred in valid_predictions]
         confidences = [pred['confidence'] for pred in valid_predictions]
-        
+
         colors_conf = ['#ff6b35' if pred['is_malignant'] else '#44ff44' for pred in valid_predictions]
         bars2 = ax2.bar(range(len(valid_predictions)), confidences, color=colors_conf, alpha=0.8)
-        
+
         ax2.set_xlabel('Modelos')
         ax2.set_ylabel('Confianza')
         ax2.set_title('🎯 Confianza por Modelo')
@@ -418,22 +462,22 @@ def create_probability_chart(predictions, consensus_class):
         ax2.set_xticklabels(model_names, rotation=45)
         ax2.grid(True, alpha=0.3)
         ax2.set_ylim(0, 1)
-        
+
         for i, bar in enumerate(bars2):
             height = bar.get_height()
             ax2.text(bar.get_x() + bar.get_width()/2., height + 0.01,
-                            f'{height:.1%}', ha='center', va='bottom', fontsize=9)
-        
+                                f'{height:.1%}', ha='center', va='bottom', fontsize=9)
+
         plt.tight_layout()
-        
+
         buf = io.BytesIO()
         plt.savefig(buf, format='png', dpi=300, bbox_inches='tight')
         buf.seek(0)
         chart_b64 = base64.b64encode(buf.getvalue()).decode()
         plt.close()
-        
+
         return f'<img src="data:image/png;base64,{chart_b64}" style="width:100%; max-width:800px;">'
-        
+
     except Exception as e:
         print(f"Error creando gráfico: {e}")
         return "<p>❌ Error generando gráfico de probabilidades</p>"
@@ -442,10 +486,10 @@ def create_heatmap(predictions):
     """Crear mapa de calor de probabilidades por modelo"""
     try:
         valid_predictions = [p for p in predictions if p.get('success', False)]
-        
+
         if not valid_predictions:
             return "<p>No hay datos suficientes para el mapa de calor</p>"
-        
+
         prob_matrix_list = []
         model_names_for_heatmap = []
         for pred in valid_predictions:
@@ -454,43 +498,43 @@ def create_heatmap(predictions):
                 model_names_for_heatmap.append(pred['model'])
             else:
                 print(f"Advertencia: Probabilidades no válidas para heatmap de {pred['model']}: {pred['probabilities']}")
-        
+
         if not prob_matrix_list:
             return "<p>No hay datos válidos para el mapa de calor después de filtrar.</p>"
 
         prob_matrix = np.array(prob_matrix_list)
-        
-        fig, ax = plt.subplots(figsize=(10, len(model_names_for_heatmap) * 0.8)) 
-        
+
+        fig, ax = plt.subplots(figsize=(10, len(model_names_for_heatmap) * 0.8))
+
         im = ax.imshow(prob_matrix, cmap='RdYlGn_r', aspect='auto', vmin=0, vmax=1)
-        
+
         ax.set_xticks(np.arange(7))
         ax.set_yticks(np.arange(len(model_names_for_heatmap)))
         ax.set_xticklabels([cls.split('(')[1].rstrip(')') for cls in CLASSES])
         ax.set_yticklabels(model_names_for_heatmap)
-        
+
         plt.setp(ax.get_xticklabels(), rotation=45, ha="right", rotation_mode="anchor")
-        
+
         for i in range(len(model_names_for_heatmap)):
             for j in range(7):
                 text = ax.text(j, i, f'{prob_matrix[i, j]:.2f}',
-                                 ha="center", va="center", color="white" if prob_matrix[i, j] > 0.5 else "black",
-                                 fontsize=8)
-        
+                                    ha="center", va="center", color="white" if prob_matrix[i, j] > 0.5 else "black",
+                                    fontsize=8)
+
         ax.set_title("Mapa de Calor: Probabilidades por Modelo y Clase")
         fig.tight_layout()
-        
+
         cbar = plt.colorbar(im, ax=ax)
         cbar.set_label('Probabilidad', rotation=270, labelpad=15)
-        
+
         buf = io.BytesIO()
         plt.savefig(buf, format='png', dpi=300, bbox_inches='tight')
         buf.seek(0)
         heatmap_b64 = base64.b64encode(buf.getvalue()).decode()
         plt.close()
-        
+
         return f'<img src="data:image/png;base64,{heatmap_b64}" style="width:100%; max-width:800px;">'
-        
+
     except Exception as e:
         print(f"Error creando mapa de calor: {e}")
         return "<p>❌ Error generando mapa de calor</p>"
@@ -500,79 +544,79 @@ def analizar_lesion(img):
     try:
         if img is None:
             return "<h3>⚠️ Por favor, carga una imagen</h3>"
-        
+
         if not loaded_models or all(m.get('type') == 'dummy' for m in loaded_models.values()):
             return "<h3>❌ Error del Sistema</h3><p>No hay modelos disponibles. Por favor, recarga la aplicación.</p>"
-        
+
         if img.mode != 'RGB':
             img = img.convert('RGB')
-        
+
         predictions = []
-        
+
         for model_name, model_data in loaded_models.items():
             if model_data.get('type') != 'dummy':
                 pred = predict_with_model(img, model_data)
                 if pred.get('success', False):
                     predictions.append(pred)
-        
+
         if not predictions:
             return "<h3>❌ Error</h3><p>No se pudieron obtener predicciones de ningún modelo.</p>"
-        
+
         # Análisis de consenso
         class_votes = {}
         confidence_sum = {}
-        
+
         for pred in predictions:
             class_name = pred['class']
             confidence = pred['confidence']
-            
+
             if class_name not in class_votes:
                 class_votes[class_name] = 0
                 confidence_sum[class_name] = 0
-            
+
             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]
-        
+
         consensus_idx = CLASSES.index(consensus_class)
         is_malignant = consensus_idx in MALIGNANT_INDICES
         risk_info = RISK_LEVELS[consensus_idx]
-        
+
         probability_chart = create_probability_chart(predictions, consensus_class)
         heatmap = create_heatmap(predictions)
-        
+
         html_report = f"""
         <div style="font-family: Arial, sans-serif; max-width: 1200px; margin: 0 auto;">
             <h2 style="color: #2c3e50; text-align: center;">🏥 Análisis Completo de Lesión Cutánea</h2>
-            
+
             <div style="background: linear-gradient(135deg, #667eea 0%, #764ba2 100%); color: white; padding: 20px; border-radius: 10px; margin: 20px 0;">
                 <h3 style="margin: 0; text-align: center;">📋 Resultado de Consenso</h3>
                 <p style="font-size: 18px; text-align: center; margin: 10px 0;"><strong>{consensus_class}</strong></p>
                 <p style="text-align: center; margin: 5px 0;">Confianza Promedio: <strong>{avg_confidence:.1%}</strong></p>
                 <p style="text-align: center; margin: 5px 0;">Consenso: <strong>{class_votes[consensus_class]}/{len(predictions)} modelos</strong></p>
             </div>
-            
+
             <div style="background: {risk_info['color']}; color: white; padding: 15px; border-radius: 8px; margin: 15px 0;">
                 <h4 style="margin: 0;">⚠️ Nivel de Riesgo: {risk_info['level']}</h4>
                 <p style="margin: 5px 0;"><strong>{risk_info['urgency']}</strong></p>
                 <p style="margin: 5px 0;">Tipo: {'🔴 Potencialmente maligna' if is_malignant else '🟢 Probablemente benigna'}</p>
             </div>
-            
+
             <div style="background: #e3f2fd; padding: 15px; border-radius: 8px; margin: 15px 0;">
                 <h4 style="color: #1976d2;">🤖 Resultados Individuales por Modelo</h4>
                 <p style="font-size: 0.9em; color: #555;">
                     A continuación se detallan las predicciones de cada modelo. Es importante destacar que los <strong>modelos entrenados específicamente en lesiones de piel (Categoría: Especializados) suelen ser más fiables</strong> para este tipo de análisis que los modelos generales.
                 </p>
         """
-        
+
         # RESULTADOS INDIVIDUALES DETALLADOS - Separados por categoría
-        
+
         # Especializados
         html_report += """
         <h5 style="color: #007bff; border-bottom: 1px solid #007bff; padding-bottom: 5px; margin-top: 20px;">
@@ -585,31 +629,31 @@ def analizar_lesion(img):
                 specialized_models_found = True
                 model_risk = RISK_LEVELS[pred['predicted_idx']]
                 malignant_status = "🔴 Maligna" if pred['is_malignant'] else "🟢 Benigna"
-                
+
                 html_report += f"""
                 <div style="margin: 15px 0; padding: 15px; background: white; border-radius: 8px; border-left: 5px solid {'#ff6b35' if pred['is_malignant'] else '#44ff44'}; box-shadow: 0 2px 4px rgba(0,0,0,0.1);">
                     <div style="display: flex; justify-content: space-between; align-items: center; margin-bottom: 10px;">
                         <h5 style="margin: 0; color: #333;">{pred['model']}</h5>
                         <span style="background: {model_risk['color']}; color: white; padding: 4px 8px; border-radius: 4px; font-size: 12px;">{model_risk['level']}</span>
                     </div>
-                    
+
                     <div style="display: grid; grid-template-columns: 1fr 1fr 1fr; gap: 10px; font-size: 14px;">
                         <div><strong>Diagnóstico:</strong><br>{pred['class']}</div>
                         <div><strong>Confianza:</strong><br>{pred['confidence']:.1%}</div>
                         <div><strong>Clasificación:</strong><br>{malignant_status}</div>
                     </div>
-                    
+
                     <div style="margin-top: 10px;">
                         <strong>Top 3 Probabilidades:</strong><br>
                         <div style="font-size: 12px; color: #666;">
                 """
-                
+
                 top_indices = np.argsort(pred['probabilities'])[-3:][::-1]
                 for idx in top_indices:
                     prob = pred['probabilities'][idx]
                     if prob > 0.01:
                         html_report += f"• {CLASSES[idx].split('(')[1].rstrip(')')}: {prob:.1%}<br>"
-                
+
                 html_report += f"""
                         </div>
                         <div style="margin-top: 8px; font-size: 12px; color: #888;">
@@ -636,31 +680,31 @@ def analizar_lesion(img):
                 general_models_found = True
                 model_risk = RISK_LEVELS[pred['predicted_idx']]
                 malignant_status = "🔴 Maligna" if pred['is_malignant'] else "🟢 Benigna"
-                
+
                 html_report += f"""
                 <div style="margin: 15px 0; padding: 15px; background: white; border-radius: 8px; border-left: 5px solid {'#ff6b35' if pred['is_malignant'] else '#44ff44'}; box-shadow: 0 2px 4px rgba(0,0,0,0.1);">
                     <div style="display: flex; justify-content: space-between; align-items: center; margin-bottom: 10px;">
                         <h5 style="margin: 0; color: #333;">{pred['model']}</h5>
                         <span style="background: {model_risk['color']}; color: white; padding: 4px 8px; border-radius: 4px; font-size: 12px;">{model_risk['level']}</span>
                     </div>
-                    
+
                     <div style="display: grid; grid-template-columns: 1fr 1fr 1fr; gap: 10px; font-size: 14px;">
                         <div><strong>Diagnóstico:</strong><br>{pred['class']}</div>
                         <div><strong>Confianza:</strong><br>{pred['confidence']:.1%}</div>
                         <div><strong>Clasificación:</strong><br>{malignant_status}</div>
                     </div>
-                    
+
                     <div style="margin-top: 10px;">
                         <strong>Top 3 Probabilidades:</strong><br>
                         <div style="font-size: 12px; color: #666;">
                 """
-                
+
                 top_indices = np.argsort(pred['probabilities'])[-3:][::-1]
                 for idx in top_indices:
                     prob = pred['probabilities'][idx]
                     if prob > 0.01:
                         html_report += f"• {CLASSES[idx].split('(')[1].rstrip(')')}: {prob:.1%}<br>"
-                
+
                 html_report += f"""
                         </div>
                         <div style="margin-top: 8px; font-size: 12px; color: #888;">
@@ -671,113 +715,98 @@ def analizar_lesion(img):
                 """
         if not general_models_found:
             html_report += "<p style='color: #888;'>No se cargaron modelos generales o fallaron al predecir.</p>"
-            
+
         html_report += f"""
             </div>
-            
+
             <div style="background: #f8f9fa; padding: 15px; border-radius: 8px; margin: 15px 0;">
                 <h4 style="color: #495057;">📊 Análisis Estadístico</h4>
                 <div style="display: grid; grid-template-columns: repeat(auto-fit, minmax(200px, 1fr)); gap: 15px;">
                     <div>
-                        <strong>Modelos Activos:</strong> {len([p for p in predictions if p['success']])}/{len(predictions)}<br>
-                        <strong>Acuerdo Total:</strong> {class_votes[consensus_class]}/{len([p for p in predictions if p['success']])}<br>
-                        <strong>Confianza Máxima:</strong> {max([p['confidence'] for p in predictions if p['success']]):.1%}
+                        {probability_chart}
                     </div>
                     <div>
-                        <strong>Diagnósticos Malignos:</strong> {len([p for p in predictions if p.get('success') and p.get('is_malignant')])}<br>
-                        <strong>Diagnósticos Benignos:</strong> {len([p for p in predictions if p.get('success') and not p.get('is_malignant')])}<br>
-                        <strong>Consenso Maligno:</strong> {'Sí' if is_malignant else 'No'}
+                        {heatmap}
                     </div>
                 </div>
             </div>
-            
-            <div style="background: #ffffff; padding: 15px; border-radius: 8px; margin: 15px 0; border: 1px solid #ddd;">
-                <h4 style="color: #333;">📈 Gráficos de Análisis</h4>
-                {probability_chart}
-            </div>
-            
-            <div style="background: #ffffff; padding: 15px; border-radius: 8px; margin: 15px 0; border: 1px solid #ddd;">
-                <h4 style="color: #333;">🔥 Mapa de Calor de Probabilidades</h4>
-                {heatmap}
-            </div>
-            
-            <div style="background: #fff3e0; padding: 15px; border-radius: 8px; margin: 15px 0; border: 1px solid #ff9800;">
-                <h4 style="color: #f57c00;">⚠️ Advertencia Médica</h4>
-                <p style="margin: 5px 0;">Este análisis es solo una herramienta de apoyo diagnóstico basada en IA.</p>
-                <p style="margin: 5px 0;"><strong>Siempre consulte con un dermatólogo profesional para un diagnóstico definitivo.</strong></p>
-                <p style="margin: 5px 0;">No utilice esta información como único criterio para decisiones médicas.</p>
-                <p style="margin: 5px 0;"><em>Los resultados individuales de cada modelo se muestran para transparencia y análisis comparativo.</em></p>
+
+            <div style="background: #fff3cd; color: #856404; padding: 15px; border-radius: 8px; margin: 15px 0; border: 1px solid #ffeeba;">
+                <h4 style="margin-top: 0;">Disclaimer Importante:</h4>
+                <p style="font-size: 0.9em; margin-bottom: 5px;">
+                    Esta herramienta es un <strong>prototipo de investigación</strong> y no debe ser utilizada como un diagnóstico médico definitivo. Los resultados son generados por modelos de inteligencia artificial y pueden contener errores.
+                </p>
+                <p style="font-size: 0.9em; margin-bottom: 5px;">
+                    <strong>Siempre consulte a un profesional médico cualificado</strong> para cualquier inquietud sobre su salud. La automedicación o el autodiagnóstico basado en esta herramienta puede ser perjudicial.
+                </p>
+                <p style="font-size: 0.9em; margin-bottom: 0;">
+                    La precisión de los modelos puede variar. Los modelos especializados en piel tienden a ser más fiables para estas tareas específicas.
+                </p>
             </div>
         </div>
         """
-        
         return html_report
-        
+
     except Exception as e:
-        return f"<h3>❌ Error en el análisis</h3><p>Error técnico: {str(e)}</p><p>Por favor, intente con otra imagen.</p>"
-
-# Configuración de Gradio
-def create_interface():
-    # Calcular el número total de modelos posibles
-    total_possible_models = sum(len(configs) for configs in MODEL_CONFIGS.values())
-
-    with gr.Blocks(theme=gr.themes.Soft(), title="Análisis de Lesiones Cutáneas") as demo:
-        gr.Markdown("""
-        # 🏥 Sistema de Análisis de Lesiones Cutáneas
-        
-        **Herramienta de apoyo diagnóstico basada en IA**
-        
-        Carga una imagen dermatoscópica para obtener una evaluación automatizada.
-        """)
-        
-        with gr.Row():
-            with gr.Column(scale=1):
-                input_img = gr.Image(
-                    type="pil", 
-                    label="📷 Imagen Dermatoscópica",
-                    height=400
-                )
-                analyze_btn = gr.Button(
-                    "🚀 Analizar Lesión", 
-                    variant="primary",
-                    size="lg"
-                )
-                
-                gr.Markdown("""
-                ### 📝 Instrucciones:
-                1. Carga una imagen clara de la lesión.
-                2. La imagen debe estar bien iluminada.
-                3. Enfócate en la lesión cutánea.
-                4. Formatos soportados: JPG, PNG.
-                """)
-            
-            with gr.Column(scale=2):
-                output_html = gr.HTML(label="📊 Resultado del Análisis")
-        
-        analyze_btn.click(
-            fn=analizar_lesion,
-            inputs=input_img,
-            outputs=output_html
-        )
-        
-        gr.Markdown(f"""
-        ---
-        **Estado del Sistema:**
-        - ✅ 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.**
-        """)
-    
-    return demo
-
-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 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()
-    demo.launch(share=True, server_name="0.0.0.0", server_port=7860)
+        error_message = f"<h3>❌ Error Inesperado en el Análisis:</h3><p>Se produjo un error durante el procesamiento: {str(e)}</p><p>Por favor, intenta con otra imagen o recarga la aplicación.</p>"
+        print(error_message)
+        return error_message
+
+
+# --- INTERFAZ GRADIO ---
+# Componentes de entrada y salida
+image_input = gr.Image(type="pil", label="Sube una imagen de la lesión cutánea")
+output_html = gr.HTML(label="Informe de Análisis")
+
+# Títulos y descripción para la interfaz
+title = "Skin Lesion Analysis AI"
+description = """
+<h1 style="text-align: center; color: #2c3e50;">🩺 Analizador de Lesiones Cutáneas impulsado por IA 🩺</h1>
+<p style="text-align: center; font-size: 1.1em; color: #555;">
+    Esta herramienta utiliza una batería de modelos de Visión por Computadora (tanto especializados en lesiones de piel como generales) para analizar imágenes y ofrecer un consenso sobre el tipo de lesión.
+    Proporciona un informe detallado con diagnósticos individuales de cada modelo y un consenso general, incluyendo un nivel de riesgo.
+</p>
+<p style="text-align: center; font-size: 1.1em; color: #555;">
+    <strong>Instrucciones:</strong> Sube una imagen clara de la lesión cutánea (óptimamente con buena iluminación y sin reflejos).
+</p>
+<p style="text-align: center; font-size: 0.9em; color: #888;">
+    ⚠️ **Importante:** Esta herramienta es solo para **fines de investigación y educativos**. No reemplaza el consejo médico profesional. Siempre consulta a un dermatólogo para un diagnóstico y tratamiento precisos.
+</p>
+"""
+article = """
+<div style="text-align: center; padding: 20px; background-color: #f0f2f5; border-top: 1px solid #e0e2e5;">
+    <h3 style="color: #333;">¿Cómo funciona?</h3>
+    <p style="color: #666;">
+        El sistema carga múltiples modelos de aprendizaje profundo (Convolutional Neural Networks y Vision Transformers) entrenados en diversos datasets, incluyendo conjuntos de datos médicos de lesiones cutáneas (como HAM10000 e ISIC) y datasets generales de imágenes (como ImageNet).
+        Cada modelo procesa la imagen de forma independiente y genera una predicción de probabilidad para cada una de las 7 clases de lesiones de piel más comunes.
+        Posteriormente, se realiza un análisis de consenso para consolidar las predicciones, ponderando la confianza de cada modelo y dando preferencia a los modelos entrenados específicamente para el dominio de la piel.
+        Finalmente, se genera un informe visual con gráficos de barras y mapas de calor para facilitar la interpretación de los resultados.
+    </p>
+    <h4 style="color: #333;">Clases de Lesiones Analizadas:</h4>
+    <ul style="list-style-type: none; padding: 0; color: #666; display: inline-block; text-align: left;">
+        <li><strong>AKIEC:</strong> Queratosis actínica / Carcinoma de Bowen</li>
+        <li><strong>BCC:</strong> Carcinoma de células basales</li>
+        <li><strong>BKL:</strong> Lesión queratósica benigna (verruga seborreica, queratosis actínica, liquen plano)</li>
+        <li><strong>DF:</strong> Dermatofibroma</li>
+        <li><strong>MEL:</strong> Melanoma maligno</li>
+        <li><strong>NV:</strong> Nevus melanocítico (Lunar)</li>
+        <li><strong>VASC:</strong> Lesión vascular (angiomas, telangiectasias)</li>
+    </ul>
+    <p style="font-size: 0.8em; color: #999; margin-top: 20px;">
+        Desarrollado con ❤️ para investigación en IA y salud.
+    </p>
+</div>
+"""
+
+# Lanzar la interfaz Gradio
+gr.Interface(
+    fn=analizar_lesion,
+    inputs=image_input,
+    outputs=output_html,
+    title=title,
+    description=description,
+    article=article,
+    theme="soft",
+    allow_flagging="auto", # Permite que los usuarios marquen resultados para mejorar el modelo
+    flagging_dir="flagged_data" # Directorio para guardar los datos marcados
+).launch(debug=True)