Update app.py

app.py

@@ -1,63 +1,3 @@
-import torch
-from transformers import ViTImageProcessor, ViTForImageClassification
-from fastai.learner import load_learner
-from fastai.vision.core import PILImage
-from PIL import Image
-import matplotlib.pyplot as plt
-import numpy as np
-import gradio as gr
-import io
-import base64
-import tensorflow as tf
-import keras  # <--- nuevo import para TFSMLayer
-import zipfile
-import os
-
-# 🔹 Cargar modelo ViT desde Hugging Face
-MODEL_NAME = "ahishamm/vit-base-HAM-10000-sharpened-patch-32"
-feature_extractor = ViTImageProcessor.from_pretrained(MODEL_NAME)
-model_vit = ViTForImageClassification.from_pretrained(MODEL_NAME)
-model_vit.eval()
-
-# 🔹 Cargar modelos Fast.ai desde archivos locales
-model_malignancy = load_learner("ada_learn_malben.pkl")
-model_norm2000 = load_learner("ada_learn_skin_norm2000.pkl")
-
-# 🔹 Preparar y cargar modelo TensorFlow ISIC
-zip_path = "saved_model.zip"
-extract_dir = "saved_model"
-if not os.path.exists(extract_dir):
-    with zipfile.ZipFile(zip_path, 'r') as zip_ref:
-        zip_ref.extractall(extract_dir)
-
-# Cargar modelo con TFSMLayer (solo para inferencia)
-model_isic = keras.layers.TFSMLayer(extract_dir, call_endpoint='serving_default')
-
-# 🔹 Clases y niveles de riesgo
-CLASSES = [
-    "Queratosis actínica / Bowen", "Carcinoma células basales",
-    "Lesión queratósica benigna", "Dermatofibroma",
-    "Melanoma maligno", "Nevus melanocítico", "Lesión vascular"
-]
-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 preprocess_image_isic(image: Image.Image):
-    # Ajustar tamaño y normalización que espera el modelo ISIC
-    image = image.resize((224, 224))
-    img_array = np.array(image) / 255.0
-    if img_array.shape[-1] == 4:  # eliminar canal alpha si existe
-        img_array = img_array[..., :3]
-    img_array = np.expand_dims(img_array, axis=0)  # batch dimension
-    return img_array.astype(np.float32)
-
 def analizar_lesion_combined(img):
     # Convertir imagen para Fastai
     img_fastai = PILImage.create(img)
@@ -78,8 +18,16 @@ def analizar_lesion_combined(img):
 
     # Modelo TensorFlow ISIC (usando TFSMLayer)
     x_isic = preprocess_image_isic(img)
-    preds_isic_tensor = model_isic(x_isic)  # devuelve tensor
-    preds_isic = preds_isic_tensor.numpy()[0]  # convertir a numpy y quitar batch dim
+    preds_isic_dict = model_isic(x_isic)  # devuelve dict con tensores
+
+    # DEBUG: imprime claves para saber cuál usar
+    print("Claves de salida de model_isic:", preds_isic_dict.keys())
+
+    # Por ejemplo, si la clave correcta es 'outputs', cámbiala aquí:
+    # Si sólo hay una clave, la usamos directamente:
+    key = list(preds_isic_dict.keys())[0]
+    preds_isic = preds_isic_dict[key].numpy()[0]
+
     pred_idx_isic = int(np.argmax(preds_isic))
     pred_class_isic = CLASSES[pred_idx_isic]
     confidence_isic = preds_isic[pred_idx_isic]
@@ -116,7 +64,6 @@ def analizar_lesion_combined(img):
     <b>🩺 Recomendación automática:</b><br>
     """
 
-    # Recomendación basada en ViT + malignidad
     cancer_risk_score = sum(probs_vit[i] * RISK_LEVELS[i]['weight'] for i in range(7))
     if prob_malignant > 0.7 or cancer_risk_score > 0.6:
         informe += "🚨 <b>CRÍTICO</b> – Derivación urgente a oncología dermatológica"
@@ -130,16 +77,3 @@ def analizar_lesion_combined(img):
     informe += "</div>"
 
     return informe, html_chart
-
-# 🔹 Interfaz Gradio
-demo = gr.Interface(
-    fn=analizar_lesion_combined,
-    inputs=gr.Image(type="pil", label="Sube una imagen de la lesión"),
-    outputs=[gr.HTML(label="Informe combinado"), gr.HTML(label="Gráfico ViT")],
-    title="Detector de Lesiones Cutáneas (ViT + Fast.ai + ISIC TensorFlow)",
-    description="Comparación entre ViT transformer (HAM10000), dos modelos Fast.ai y el modelo ISIC TensorFlow.",
-    flagging_mode="never"
-)
-
-if __name__ == "__main__":
-    demo.launch()