app.py

__import__('pysqlite3')
import sys
sys.modules['sqlite3'] = sys.modules.pop('pysqlite3')

# ==============================================================================
# 1. LIBRERIAS
# ==============================================================================
import streamlit as st
import os
import time 
import csv 
import tempfile
import torch
import torch.nn as nn
import torch.nn.functional as F  
from torchvision import transforms, models
from torchvision.models import efficientnet_b4
from PIL import Image
import numpy as np 
import matplotlib.pyplot as plt 
import cv2 
from crewai import Agent, Task, Crew, Process, LLM
from RAG_tool import BuscadorGuiasClinicas
import tempfile
from fpdf import FPDF
import datetime
#-------------------------------------------------------------------------------
# 1.1 LIBRERIAS RAGAS
from datasets import Dataset
from ragas import evaluate
from ragas.metrics import Faithfulness, AnswerRelevancy
from langchain_huggingface import HuggingFaceEmbeddings
from langchain_openai import ChatOpenAI 

# ==============================================================================
# 2. CONFIGURACIÓN VISUAL Y MÁRGENES
# ==============================================================================
st.set_page_config(
    page_title="DermaRAG - Diagnóstico",
    page_icon="🏥",
    layout="wide",
    initial_sidebar_state="collapsed"
)

# ==============================================================================
# 3. Inyección de CSS 
# ==============================================================================
st.markdown("""
    <style>
    /* AJUSTE DE MÁRGENES */
    .block-container {
        padding-top: 3rem;
        padding-bottom: 5rem;
        padding-left: 5rem;
        padding-right: 5rem;
        max-width: 80% !important;
    }

    /* Fondo General Claro */
    .stApp {
        background-color: #f4f6f9; 
        color: #333333;
    }
    
    /* Header Principal */
    .header-container {
        background: linear-gradient(135deg, #003366 0%, #004080 100%);
        padding: 30px;
        border-radius: 12px;
        color: white;
        text-align: center;
        margin-bottom: 30px;
        box-shadow: 0 4px 15px rgba(0,0,0,0.1);
    }
    .header-container h1, .header-container p {
        color: white !important;
        border-bottom: none !important;
    }
    
    /* Paneles / Recuadros (Containers de Streamlit) */
    div[data-testid="stVerticalBlockBorderWrapper"] {
        background-color: #ffffff !important;
        border-radius: 12px !important;
        padding: 20px !important;
        border: 1px solid #e0e0e0 !important;
        box-shadow: 0 4px 10px rgba(0,0,0,0.05) !important;
    }

    /* Títulos */
    h1, h2, h3, h4, h5 {
        color: #003366 !important;
    }
    h2 {
        border-bottom: 2px solid #667eea;
        padding-bottom: 8px;
        margin-bottom: 20px !important;
    }
    
    /* ---------------------------------------------------
       REPARACIÓN DE COMPONENTES REBELDES DE STREAMLIT
       --------------------------------------------------- */
       
    /* 1. Todos los Text Inputs, Text Areas y Select Boxes */
    .stTextInput input, .stTextArea textarea, .stSelectbox div[data-baseweb="select"] {
        background-color: #ffffff !important;
        color: #333333 !important;
        border: 1px solid #cccccc !important;
    }

    /* 2. REPARACIÓN: Inputs Numéricos (Edad, Tamaño, Evolución) */
    .stNumberInput div[data-baseweb="input"] {
        background-color: #ffffff !important;
        border: 1px solid #cccccc !important;
    }
    .stNumberInput input {
        background-color: #ffffff !important;
        color: #333333 !important;
    }
    /* Botones de + y - en los inputs numéricos */
    .stNumberInput button {
        background-color: #f0f2f6 !important;
        color: #333333 !important;
    }
    
    /* 3. REPARACIÓN: File Uploader (Área de Drag & Drop) */
    [data-testid="stFileUploaderDropzone"] {
        background-color: #f8f9fa !important;
        border: 2px dashed #667eea !important;
    }
    [data-testid="stFileUploaderDropzone"] section, 
    [data-testid="stFileUploaderDropzone"] div, 
    [data-testid="stFileUploaderDropzone"] span {
        color: #333333 !important;
    }
    /* Botón "Browse Files" del Uploader */
    [data-testid="stFileUploaderDropzone"] button {
        background-color: #ffffff !important;
        color: #003366 !important;
        border: 1px solid #003366 !important;
    }

    /* 4. REPARACIÓN: Textos de Checkboxes (Criterios ABCDE) y Etiquetas */
    .stCheckbox label p, .stCheckbox label span, 
    label p, label span, .stMarkdown p {
        color: #333333 !important;
        font-weight: 500 !important;
    }

    /* Botón CTA Verde (Analizar) */
    div.stButton > button {
        background: linear-gradient(135deg, #28a745 0%, #20c997 100%) !important;
        color: white !important;
        border: none !important;
        padding: 15px 30px !important;
        font-size: 18px !important;
        font-weight: bold !important;
        border-radius: 8px !important;
        width: 100% !important;
        box-shadow: 0 4px 15px rgba(40, 167, 69, 0.3) !important;
    }
    div.stButton > button:hover {
        transform: translateY(-2px);
        box-shadow: 0 6px 20px rgba(40, 167, 69, 0.4) !important;
    }
    div.stButton > button p {
        color: white !important;
    }
    </style>
""", unsafe_allow_html=True)

# ==============================================================================
# 4. CLASES PARA GRAD-CAM
# ==============================================================================
class FeatureExtractor:
    """Clase para 'espiar' lo que ve la red en capas intermedias"""
    def __init__(self, model, target_layers):
        self.activations = {}
        for name, layer in target_layers.items():
            layer.register_forward_hook(self.get_hook(name)) 

    def get_hook(self, name):
        def hook(model, input, output):
            self.activations[name] = output.detach() 
        return hook

class GradCAM:
    """Clase para mapa de calor de decisión final"""
    def __init__(self, model, target_layer):
        self.model = model
        self.activations = None
        self.gradients = None
        target_layer.register_forward_hook(self.save_activation) 
        target_layer.register_full_backward_hook(self.save_gradient) 

    def save_activation(self, module, input, output):
        self.activations = output 

    def save_gradient(self, module, grad_input, grad_output):
        self.gradients = grad_output[0] 

    def __call__(self, x):
        self.model.zero_grad()
        output = self.model(x) 
        idx = torch.argmax(output, dim=1) 
        output[0, idx].backward() 
        
        grads = self.gradients.cpu().data.numpy()[0] 
        fmaps = self.activations.cpu().data.numpy()[0] 
        
        weights = np.mean(grads, axis=(1, 2)) 
        cam = np.zeros(fmaps.shape[1:], dtype=np.float32) 
        
        for i, w in enumerate(weights):
            cam += w * fmaps[i]
            
        cam = np.maximum(cam, 0) 
        cam = cv2.resize(cam, (380, 380)) 
        cam = (cam - np.min(cam)) / (np.max(cam) + 1e-8) 
        
        return cam, output, idx 

def plot_feature_maps(activations, layer_name, title, output_file):
    """Dibuja las 16 características más activas de una capa"""
    act = activations[layer_name].squeeze().cpu().numpy() 
    mean_act = np.mean(act, axis=(1, 2)) 
    top_indices = np.argsort(mean_act)[::-1][:16] 
    
    fig, axes = plt.subplots(4, 4, figsize=(10, 10)) 
    fig.suptitle(title, fontsize=16)
    
    for idx, ax in enumerate(axes.flat):
        if idx < len(top_indices):
            fmap_idx = top_indices[idx]
            fmap = act[fmap_idx] 
            fmap = (fmap - np.min(fmap)) / (np.max(fmap) + 1e-8) 
            ax.imshow(fmap, cmap='viridis') 
            ax.set_title(f"Filtro {fmap_idx}", fontsize=8) 
        ax.axis('off')
        
    plt.tight_layout()
    plt.savefig(output_file) 
    plt.close() 
    return output_file

# ==============================================================================
# 5. LÓGICA DE VISIÓN (Backend + Integración GradCAM)
# ==============================================================================

@st.cache_resource
def cargar_tu_modelo_especifico(ruta_pth):
    model = efficientnet_b4(weights=None)
    num_ftrs = model.classifier[1].in_features
    model.classifier = nn.Sequential(
        nn.Dropout(p=0.45),
        nn.Linear(num_ftrs, 3) 
    )
    device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
    try:
        state_dict = torch.load(ruta_pth, map_location=device)
        model.load_state_dict(state_dict)
    except Exception as e:
        st.error(f"❌ Error cargando pesos: {e}")
        return None
    model.to(device)
    model.eval()
    return model

transformacion_validacion = transforms.Compose([
    transforms.Resize((380, 380)),
    transforms.ToTensor(),
    transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
])

def ejecutar_pipeline_gradcam(modelo, ruta_img, temp_dir):
    """Función wrapper para ejecutar el flujo del PDF"""
    feature_extractor = FeatureExtractor(modelo, {
        'capa_inicial': modelo.features[0], 
        'capa_final': modelo.features[-1]   
    })
    
    grad_cam = GradCAM(modelo, modelo.features[-1]) 
    
    pil_img = Image.open(ruta_img).convert('RGB')
    device = next(modelo.parameters()).device
    img_tensor = transformacion_validacion(pil_img).unsqueeze(0).to(device) 
    
    cam_map, logits, pred_idx = grad_cam(img_tensor) 
    probs = F.softmax(logits, dim=1).cpu().data.numpy()[0] 
    
    CLASES_NOMBRES = ['Benigno', 'Melanoma', 'Carcinoma'] 
    
    img_cv = cv2.imread(ruta_img) 
    img_cv = cv2.resize(img_cv, (380, 380)) 
    heatmap = cv2.applyColorMap(np.uint8(255 * cam_map), cv2.COLORMAP_JET) 
    superimposed = cv2.addWeighted(img_cv, 0.6, heatmap, 0.4, 0) 
    
    plt.figure(figsize=(12, 5))
    
    plt.subplot(1, 3, 1)
    plt.imshow(cv2.cvtColor(img_cv, cv2.COLOR_BGR2RGB))
    plt.title("Original")
    plt.axis('off')

    plt.subplot(1, 3, 2)
    plt.imshow(cv2.cvtColor(superimposed, cv2.COLOR_BGR2RGB))
    plt.title(f"Atención IA\n({CLASES_NOMBRES[pred_idx]})") 
    plt.axis('off')

    plt.subplot(1, 3, 3)
    bars = plt.bar(CLASES_NOMBRES, probs, color=['green', 'red', 'orange']) 
    plt.title("Probabilidades")
    plt.ylim(0, 1.15) 
    
    for bar in bars:
        altura = bar.get_height() 
        porcentaje = altura * 100
        plt.text(bar.get_x() + bar.get_width() / 2.0, altura + 0.02, 
                 f'{porcentaje:.1f}%', 
                 ha='center', va='bottom', fontsize=10, fontweight='bold')
    
    path_diag = os.path.join(temp_dir, "1_diagnostico_clinico.png")
    plt.savefig(path_diag) 
    plt.close()
    
    path_bordes = os.path.join(temp_dir, "2_analisis_bordes.png")
    plot_feature_maps(
        feature_extractor.activations, 
        'capa_inicial', 
        "CARACTERÍSTICAS VISUALES: BORDES Y FORMAS", 
        path_bordes
    ) 
    
    path_patrones = os.path.join(temp_dir, "3_analisis_patrones.png")
    plot_feature_maps(
        feature_extractor.activations, 
        'capa_final', 
        "CARACTERÍSTICAS ABSTRACTAS: TEXTURA Y ANOMALÍAS", 
        path_patrones
    ) 
    
    return path_diag, path_bordes, path_patrones, CLASES_NOMBRES[pred_idx], probs

def analizar_imagen_medica(ruta_imagen, modelo):
    if modelo is None: return "Error: Modelo no cargado."
    CLASES = ['Benigno', 'Melanoma', 'Carcinoma'] 
    try:
        image = Image.open(ruta_imagen).convert('RGB')
        image = transformacion_validacion(image).unsqueeze(0) 
        device = next(modelo.parameters()).device
        image = image.to(device)
        with torch.no_grad():
            outputs = modelo(image)
            probs = torch.nn.functional.softmax(outputs, dim=1)
            p_ben = probs[0][0].item() * 100
            p_mel = probs[0][1].item() * 100
            p_car = probs[0][2].item() * 100
            clase_idx = torch.argmax(probs, 1).item()
            clase_predicha = CLASES[clase_idx]
            confianza_max = probs[0][clase_idx].item() * 100
        reporte = (
            f"ANÁLISIS DE IA (EfficientNet-B4):\n"
            f"- Diagnóstico Computacional: {clase_predicha.upper()}\n"
            f"- Confianza Principal: {confianza_max:.2f}%\n"
            f"- Desglose de Probabilidades:\n"
            f"  * Benigno: {p_ben:.2f}%\n"
            f"  * Melanoma: {p_mel:.2f}%\n"
            f"  * Carcinoma: {p_car:.2f}%"
        )
        return reporte
    except Exception as e:
        return f"Error: {str(e)}"

# ==============================================================================
# 6. GENERADOR DE PDF CON FORMATO APA PARA MEJOR PRESENTACION
# ==============================================================================
class PDFReport(FPDF):
    def __init__(self, paciente_info):
        super().__init__()
        self.paciente_info = paciente_info

    def header(self):
        self.set_font('Arial', 'B', 15)
        self.cell(0, 10, 'DermaRAG - Informe Diagnóstico Asistido por IA', 0, 1, 'C')
        self.set_font('Arial', 'I', 10)
        self.cell(0, 10, f'Fecha de Emisión: {datetime.date.today()}', 0, 1, 'R')
        self.line(10, 30, 200, 30)
        self.ln(10)

    def footer(self):
        self.set_y(-15)
        self.set_font('Arial', 'I', 8)
        texto_pie = f"Paciente: {self.paciente_info['nombre']} | ID: {self.paciente_info['id']} | Edad: {self.paciente_info['edad']} | Página " + str(self.page_no())
        self.cell(0, 10, texto_pie, 0, 0, 'C')

    def chapter_title(self, label):
        self.set_font('Arial', 'B', 12)
        self.set_fill_color(200, 220, 255)
        self.cell(0, 6, label, 0, 1, 'L', 1)
        self.ln(4)

    def chapter_body(self, text):
        self.set_font('Arial', '', 11)
        self.multi_cell(0, 5, text)
        self.ln()

# ==============================================================================
# 7. INTERFAZ DE USUARIO STREAMLIT
# ==============================================================================

st.markdown("""
    <div class="header-container">
        <h1 style="color: #2c3e50 !important;">🏥 DermaRAG - Sistema Multiagente de Diagnóstico Dermatológico</h1>
        <p style="color: #e74c3c !important;">IA Explicable con Retrieval-Augmented Generation | Guías AAD/BAD/NCCN</p>
        <div style="background: #28a745; color: white; padding: 5px 15px; border-radius: 20px; display: inline-block; font-size: 12px; margin-top: 10px; font-weight: bold;">Potenciado por Groq LPU</div>
    </div>
""", unsafe_allow_html=True)

# Validación del token de Groq
GROQ_API_KEY = os.environ.get("GROQ_API_KEY")
if not GROQ_API_KEY:
    st.error("⚠️ Falta el token de Groq. Por favor, añade `GROQ_API_KEY` en los *Secrets* de tu Space.")
    st.stop()

RUTA_MODELO = 'mejor_modelo_v5.pth'
modelo_cnn = None
if os.path.exists(RUTA_MODELO):
    modelo_cnn = cargar_tu_modelo_especifico(RUTA_MODELO)
else:
    st.error(f"⚠️ Falta el archivo '{RUTA_MODELO}'")

col_izq, col_der = st.columns([1, 1], gap="large")

with col_izq:
    with st.container(border=True):
        st.markdown("## 📋 Datos del Paciente")
        
        c1, c2 = st.columns(2)
        with c1:
            nombre = st.text_input("Nombre Completo *", value="", placeholder="Ej. Gerardo García Pérez")
            edad = st.number_input("Edad *", value=0, min_value=0, max_value=120, step=1)
            fototipo = st.selectbox("Fototipo Fitzpatrick *", 
                ["Tipo I - Piel muy clara, siempre se quema", 
                 "Tipo II - Piel clara, usualmente se quema", 
                 "Tipo III - Piel intermedia, a veces se quema", 
                 "Tipo IV - Piel morena clara, rara vez se quema", 
                 "Tipo V - Piel morena, muy rara vez se quema", 
                 "Tipo VI - Piel negra, nunca se quema"], 
                index=None, placeholder="Seleccionar opción...")
                
        with c2:
            id_paciente = st.text_input("ID Paciente *", value="", placeholder="Ej. PAC-2025-001")
            sexo = st.selectbox("Sexo *", ["Masculino", "Femenino", "Otro"], 
                index=None, placeholder="Seleccionar...")
    
    with st.container(border=True):
        st.markdown("## 🔬 Datos Clínicos de la Lesión")
        localizacion = st.selectbox("Localización Anatómica *", 
            ["Tronco (pecho/espalda)", "Cabeza y Cuello", "Extremidades Superiores", 
             "Extremidades Inferiores", "Manos/Pies (Acral)", "Mucosas"], 
            index=None, placeholder="Seleccionar ubicación...")
        
        cc1, cc2 = st.columns(2)
        tamano = cc1.number_input("Tamaño (mm) *", value=0, min_value=0, step=1)
        evolucion = cc2.number_input("Evolución (meses)", value=0, min_value=0, step=1)
        
        sintomas = st.text_area("Síntomas Asociados", 
            value="", placeholder="Ej. Prurito, sangrado, cambio de color, asimetría...", height=80)
            
        historia = st.text_area("Antecedentes Relevantes", 
            value="", placeholder="Ej. Historia familiar de melanoma, exposición solar crónica...", height=80)
    
    with st.container(border=True):
        st.markdown("## 🔎 Criterios ABCDE (Dermoscopia Visual)")
        col_checks = st.columns(5)
        check_a = col_checks[0].checkbox("A", value=False, help="Asimetría")
        check_b = col_checks[1].checkbox("B", value=False, help="Bordes")
        check_c = col_checks[2].checkbox("C", value=False, help="Color")
        check_d = col_checks[3].checkbox("D", value=False, help="Diámetro")
        check_e = col_checks[4].checkbox("E", value=False, help="Evolución")

with col_der:
    with st.container(border=True):
        st.markdown("## 📸 Imagen de la Lesión Cutánea")
        
        uploaded_file = st.file_uploader("Sube o arrastra tu imagen (JPG, PNG | Máx. 10MB)", type=["jpg", "png", "jpeg"])
        
        if uploaded_file:
            img_temp_pil = Image.open(uploaded_file)
            w, h = img_temp_pil.size
            size_kb = uploaded_file.size / 1024
            
            st.success(f"✅ Archivo: {uploaded_file.name} | {size_kb:.2f} KB | {w}x{h} px")
            
            col_img_1, col_img_2, col_img_3 = st.columns([1, 2, 1])
            with col_img_2:
                st.image(img_temp_pil, caption="Vista Previa", width=250)

    st.markdown("<br>", unsafe_allow_html=True)

    analyze_btn = st.button("🔍 Analizar con IA Multiagente + GradCAM", use_container_width=True)

    st.markdown("""
    <div style="margin-top: 20px; padding: 15px; background: #e3f2fd; border-radius: 8px; font-size: 13px; color: #0d47a1; border: 1px solid #90caf9;">
        <div style="font-weight: bold; margin-bottom: 8px; font-size: 14px; display: flex; align-items: center; color: #003366;">
            <span style="margin-right: 5px; font-size: 16px;">ℹ️</span> Flujo del Sistema:
        </div>
        <div style="margin-bottom: 4px; color: #0d47a1;">
            <span style="background-color: #1d4ed8; color: white; padding: 2px 7px; border-radius: 4px; font-weight: bold; font-size: 11px; margin-right: 5px;">1</span> 
            <strong>Agente Percepción:</strong> CNN (EfficientNet-B4) + GradCAM
        </div>
        <div style="margin-bottom: 4px; color: #0d47a1;">
            <span style="background-color: #1d4ed8; color: white; padding: 2px 7px; border-radius: 4px; font-weight: bold; font-size: 11px; margin-right: 5px;">2</span> 
            <strong>Agente Investigación:</strong> RAG busca en guías AAD/BAD/NCCN
        </div>
        <div style="color: #0d47a1;">
            <span style="background-color: #1d4ed8; color: white; padding: 2px 7px; border-radius: 4px; font-weight: bold; font-size: 11px; margin-right: 5px;">3</span> 
            <strong>Agente Síntesis:</strong> LLM por Groq genera explicación pedagógica
        </div>
    </div>
    """, unsafe_allow_html=True)

# ==============================================================================
# 8. LÓGICA DE AGENTES Y EJECUCIÓN
# ==============================================================================
if analyze_btn:
    if uploaded_file and modelo_cnn:
        
        if not nombre or localizacion is None:
            st.error("⚠️ Por favor completa al menos: Nombre y Localización.")
        else:
            tiempo_inicio_total = time.time() 

            with st.status("🔄 Ejecutando Sistema Multiagente...", expanded=True) as status:
                
                temp_dir = tempfile.mkdtemp()
                
                with open(os.path.join(temp_dir, "input.jpg"), "wb") as f:
                    f.write(uploaded_file.getvalue())
                ruta_input = os.path.join(temp_dir, "input.jpg")

                st.write("🧠 **Percepción Visual:** Ejecutando EfficientNet-B4 + Grad-CAM...")
                
                tiempo_inicio_vision = time.time()
                
                path_diag, path_bordes, path_patrones, pred_clase, probs = ejecutar_pipeline_gradcam(
                    modelo_cnn, ruta_input, temp_dir
                )
                
                resultado_vision = analizar_imagen_medica(ruta_input, modelo_cnn)
                
                tiempo_fin_vision = time.time()
                latencia_vision = tiempo_fin_vision - tiempo_inicio_vision
                
                st.write(f"✅ Análisis visual completado en {latencia_vision:.2f} segundos.")
                
                # 6. Configuración Agentes vía Groq API
                st.write("⚕️ **Razonamiento Clínico:** Iniciando agentes CrewAI vía Groq...")

                llm_agentes = LLM( 
                    model="groq/llama-3.3-70b-versatile",
                    api_key=GROQ_API_KEY,
                    temperature=0.3 # CRÍTICO! Esto mata la creatividad y las alucinaciones
                )

                abcde_sel = []
                if check_a: abcde_sel.append("Asimetría")
                if check_b: abcde_sel.append("Bordes Irregulares")
                if check_c: abcde_sel.append("Policromía")
                if check_d: abcde_sel.append(f"Diámetro > 6mm ({tamano}mm)")
                if check_e: abcde_sel.append("Evolución")
                hallazgos_txt = ", ".join(abcde_sel) if abcde_sel else "Sin hallazgos marcados"

                edad_val = edad
                tamano_val = tamano
                evolucion_val = evolucion
                sintomas_val = sintomas if sintomas else "No reportados"
                historia_val = historia if historia else "No reportados"

                task_med = (
                    f"DATOS DEL PACIENTE: Paciente Anónimo, {edad_val} años, {sexo if sexo else 'No esp.'}.\n"
                    f"FOTOTIPO: {fototipo if fototipo else 'No esp.'}.\n"
                    f"CLÍNICA: Lesión en {localizacion}, tamaño {tamano_val}mm, {evolucion_val} meses evolución.\n"
                    f"SÍNTOMAS: {sintomas_val}.\n"
                    f"ANTECEDENTES: {historia_val}.\n"
                    f"HALLAZGOS ABCDE MANUALES: {hallazgos_txt}.\n"
                    f"REPORTE DE LABORATORIO IA (EfficientNet-B4): [{resultado_vision}]."
                )

# ==============================================================================
# 9. DEFINICIÓN DE AGENTES Y TAREAS
# ==============================================================================

                medico_atencion_primaria = Agent(
                    role='Auditor Clínico de Inteligencia Artificial',
                    goal=(
                        f'Validar la coherencia entre el mapa de calor (Grad-CAM) y la clínica del paciente. '
                        f'Detectar alucinaciones de la visión artificial y preparar el caso con terminología médica precisa. '
                        f'Contexto del caso: {task_med}'
                    ),
                    backstory=(
                        'Eres un especialista en Diagnóstico por Imagen y Triaje. Tu trabajo NO es tratar, sino '
                        'auditar a la máquina. Tienes frente a ti un reporte de "EfficientNet-B4" y mapas de calor "Grad-CAM". '
                        'Tu filosofía es: "La IA es una herramienta, no un doctor". '
                        'Si la IA dice "Melanoma (90%)" pero el mapa de calor (Grad-CAM) está señalando piel sana o pelo '
                        'en lugar de la lesión, DEBES reportarlo como una "Posible Falsa Predicción". '
                        'Eres obsesivo con la semiología: transformas "le pica y sangra" en "prurito y ulceración activa".'
                        'IDIOMA OBLIGATORIO: Redactas EXCLUSIVAMENTE en español académico. '
                        'Está terminantemente prohibido usar inglés, incluso para términos técnicos. '
                        'Escribes "prurito" no "itching", "ulceración" no "ulceration".'
                    ),
                    verbose=True, 
                    allow_delegation=False,
                    llm=llm_agentes
                    
                )

                herramienta_rag = BuscadorGuiasClinicas()

                investigador_guias = Agent(
                    role='Buscador de Literatura Médica',
                    goal='Usar la herramienta para extraer texto literal de las guías clínicas.',
                    backstory='Eres un asistente de investigación estricto. Tu ÚNICO trabajo es usar la herramienta Buscador de Guías Clínicas. No redactas reportes, solo buscas.',
                    verbose=True,
                    allow_delegation=False, 
                    tools=[herramienta_rag], # SOLO ÉL TIENE LA HERRAMIENTA
                    llm=llm_agentes
                )

                redactor_clinico = Agent(
                    role='Oncólogo Redactor',
                    goal='Redactar el reporte final basado ÚNICAMENTE en el texto que encontró el investigador.',
                    backstory='Eres un oncólogo experto. Recibes fragmentos de guías clínicas y los conviertes en un reporte estructurado y profesional en español.',
                    verbose=True,
                    allow_delegation=False,
                    tools=[], # NO TIENE HERRAMIENTAS, NO PUEDE SALTARSE EL PROCESO
                    llm=llm_agentes
                )

# ==============================================================================
# 10. TAREAS PARA AGENTES CREW IA
# ==============================================================================

                task_atencion_primaria = Task(
                    description=f"""
                    Analiza los datos crudos del paciente y el reporte de la visión artificial: {task_med}.
                    REGLA DE ORO DE IDIOMA: TODA TU RESPUESTA DEBE SER 100% EN ESPAÑOL. ESTÁ ESTRICTAMENTE PROHIBIDO USAR INGLÉS.
                    
                    TU OBJETIVO ES REALIZAR UN RESUMEN CLÍNICO CON PRECISIÓN MATEMÁTICA Y SEMIOLÓGICA:
                    
                    1. **Fidelidad Absoluta a la IA:** - Tu diagnóstico de trabajo DEBE basarse exactamente en la predicción principal de la IA (EfficientNet-B4). 
                        - Si la IA marca una probabilidad abrumadora hacia "Carcinoma", tu redacción debe enfocarse en Carcinoma, sin sugerir Melanoma a menos que los datos clínicos sean contradictorios.
                    
                    2. **Traducción Semiológica y Lenguaje:**
                        - Convierte los síntomas del usuario a lenguaje médico formal y académico en español.
                        - Interpreta de forma lógica el mapa de calor (Grad-CAM).
                    
                    3. **Síntesis para el Especialista:**
                        - Redacta el estado actual del paciente cruzando el ABCDE manual con el resultado de la red neuronal.
                    """,
                    agent=medico_atencion_primaria,
                    expected_output="""
                    IDIOMA: TODO EN ESPAÑOL. EJEMPLO CORRECTO: "Ulceración activa con prurito
                    EJEMPLO INCORRECTO (PROHIBIDO): "Active ulceration with itching
                    
                    Reporte de Auditoría de IA (Markdown Español):
                    
                    ### 1. Validación de Visión Artificial
                    - **Diagnóstico Modelo:** [Clase principal dictada por la IA] (Confianza: [X]%).
                    - **Análisis de Atención (Grad-CAM):** [Interpretación clara de la zona de calor en Español].
                    - **Veredicto de Coherencia:** [Alta/Baja] [Explicación médica en Español].

                    ### 2. Resumen Semiológico
                    - **Perfil de Riesgo:** [Evaluación basada en fototipo, edad e historia].
                    - **Hallazgos Clínicos:** [Traducción técnica de los síntomas presentados].

                    ### 3. Solicitud de Interconsulta
                    - **Pregunta Clave:** [Pregunta específica para el oncólogo sobre el manejo a seguir].
                    """
                )

                task_busqueda = Task(
                    description="""
                    Busca en las guías clínicas el protocolo para el diagnóstico sugerido por el auditor.
                    Debes usar la herramienta 'Buscador de Guías Clínicas' obligatoriamente.
                    Action Input ejemplo: 'tratamiento carcinoma' o 'margen melanoma'.
                    Tu respuesta final debe ser EXCLUSIVAMENTE el texto crudo que te devolvió la herramienta. No des explicaciones.
                    """,
                    agent=investigador_guias,
                    context=[task_atencion_primaria],
                    expected_output="Texto crudo y literal extraído de los documentos médicos PDF."
                ) 

                task_redaccion = Task(
                    description="""
                    Lee detenidamente los fragmentos de texto crudo que te entregó el Buscador de Literatura.
                    Redacta el reporte final en español manteniendo una FIDELIDAD EXTREMA a esos fragmentos. 
                    Si los fragmentos no mencionan algo, NO lo inventes. 
                    Extrae los nombres de los documentos y las páginas reales de los fragmentos que leíste.
                    """,
                    agent=redactor_clinico,
                    context=[task_busqueda], 
                    expected_output="""
                    ### 1. Diagnóstico e Interpretación
                    - **Diagnóstico de Trabajo:** [Tu diagnóstico en español]
                    - **Justificación:** [Justificación clínica en español]

                    ### 2. Protocolo de Manejo (Evidencia Contrastada)
                    - **Manejo Recomendado:** [Instrucción fiel a la guía en español]. [Fuente: Nombre del Documento, Pág: X]
                    - **Márgenes Quirúrgicos:** [Medida extraída de las guías en español]. [Fuente: Nombre del Documento, Pág: X]
                    - **Estudios Complementarios:** [Instrucción extraída en español]. [Fuente: Nombre del Documento, Pág: X]

                    ### 3. Pronóstico y Seguimiento
                    - **Pauta de Revisión:** [Frecuencia extraída en español]. [Fuente: Nombre del Documento, Pág: X]
                    ---
                    ### 📚 Referencias Bibliográficas
                    1. **[Nombre completo de la Institución/Sociedad Médica]**. ([Año]). *[Título oficial y completo del documento o guía clínica]*. Base de conocimientos DermaRAG. Páginas consultadas: [Número exacto de página].
                    """
                )

                # ==========================================================
                # INICIO DEL PASO 3: INYECCIÓN DE RAGAS 
                # ==========================================================
                
                # 0. Limpiar memoria de la sesión ANTES de iniciar los agentes
                ruta_memoria = os.path.join(tempfile.gettempdir(), "memoria_rag_dermarag.txt")
                    
                contextos_recuperados = []
                if os.path.exists(ruta_memoria):
                    with open(ruta_memoria, "r", encoding="utf-8") as f:
                        texto_guardado = f.read()
                        if texto_guardado.strip():
                            contextos_recuperados.append(f"GUÍAS CLÍNICAS (RAG):\n{texto_guardado}")

                # --- 2. 🔥 EL TRUCO: AÑADIR LA REALIDAD CLÍNICA COMO VERDAD ---
                clase_ia = st.session_state.get('pred_clase', 'No especificado/Pendiente')
                    
                contexto_paciente = (
                    f"DATOS CLÍNICOS DEL PACIENTE (Esto es verdad absoluta, no es alucinación):\n"
                    f"Paciente de {edad} años, {fototipo}. Lesión en {localizacion} de {tamano}mm. "
                    f"Diagnóstico de la IA Visual: {clase_ia}."
                )
                contextos_recuperados.append(contexto_paciente)
                    
                # --- 3. AUDITORÍA VISUAL PARA TI (DEBUG) ---
                with st.expander("👀 Ver qué documentos está leyendo el Juez RAGas"):
                    st.write(contextos_recuperados)

                if len(contextos_recuperados) == 1:
                    st.warning("⚠️ Advertencia: Solo se cargó el paciente. El agente no usó el buscador de guías PDF.")

                crew = Crew(
                    agents=[medico_atencion_primaria, investigador_guias, redactor_clinico],
                    tasks=[task_atencion_primaria, task_busqueda, task_redaccion],
                    verbose=True, process=Process.sequential, language='es',
                    cache=False
                )
                
                # 1. Ejecutar Agentes
                resultado_final = crew.kickoff()
                
                # ==========================================================
                # NUEVO: GUARDAR EN MEMORIA EN LUGAR DE EJECUTAR RAGAS
                # ==========================================================
                st.session_state['diagnostico_generado'] = True
                st.session_state['resultado_final'] = resultado_final
                st.session_state['pred_clase'] = pred_clase
                st.session_state['probs'] = probs
                st.session_state['path_diag'] = path_diag
                st.session_state['path_bordes'] = path_bordes
                st.session_state['path_patrones'] = path_patrones
                st.session_state['temp_dir'] = temp_dir
                st.session_state['ragas_scores'] = None # Reseteamos métricas anteriores

                tiempo_fin_total = time.time() 
                latencia_total = tiempo_fin_total - tiempo_inicio_total 
                status.update(label=f"✅ Diagnóstico Finalizado en {latencia_total:.2f} segundos", state="complete", expanded=False)
                
                

# ==============================================================================
# 11. HISTORIAL PARA CALCULAR EL PERCENTIL 95
# ==============================================================================
                archivo_logs = "logs_latencia.csv"
                if not os.path.exists(archivo_logs):
                    with open(archivo_logs, mode='w', newline='') as file:
                        writer = csv.writer(file)
                        writer.writerow(["Fecha", "ID_Paciente", "Latencia_Vision_seg", "Latencia_Total_seg"])
                
                with open(archivo_logs, mode='a', newline='') as file:
                    writer = csv.writer(file)
                    fecha_actual = datetime.datetime.now().strftime("%Y-%m-%d %H:%M:%S")
                    writer.writerow([fecha_actual, id_paciente, round(latencia_vision, 2), round(latencia_total, 2)])
                

# ==============================================================================
# SECCIÓN VISUAL (INDEPENDIENTE DEL BOTÓN DE ANÁLISIS)
# ==============================================================================
if st.session_state.get('diagnostico_generado', False):
    st.markdown("---")
    st.subheader("👁️ Análisis de Explicabilidad y Evaluación")
    
    # ¡Tus pestañas intactas!
    tab1, tab2, tab3, tab4 = st.tabs([
        "Diagnóstico Clínico", 
        "Análisis de Bordes", 
        "Análisis de Patrones",
        "📊 Auditoría RAGas" 
    ])
    
    with tab1:
        st.image(st.session_state['path_diag'], caption="Mapa de Atención y Probabilidades", use_container_width=True)
    with tab2:
        st.image(st.session_state['path_bordes'], caption="Filtros de Capa Inicial", use_container_width=True)
    with tab3:
        st.image(st.session_state['path_patrones'], caption="Filtros de Capa Final", use_container_width=True)
        
    with tab4:
        st.markdown("### 🎯 Auditoría de Respuesta Clínica (RAGas)")
        st.info("Ejecuta la evaluación a criterio del especialista para validar que la IA no haya alucinado tratamientos.")
        
        # 1. EL BOTÓN DE DIAGNÓSTICO PROFUNDO
        if st.button("🚀 Ejecutar Auditoría Clínica (RAGas)", use_container_width=True):
            with st.spinner("⚖️ El Juez está auditando y generando tabla cruda..."):
                try:
                    llm_juez = ChatOpenAI(
                        api_key=GROQ_API_KEY, 
                        base_url="https://api.groq.com/openai/v1", 
                        model="llama-3.3-70b-versatile", 
                        temperature=0
                    )
                    embeddings_juez = HuggingFaceEmbeddings(model_name="sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2")
                    
                    # --- LEER EL ARCHIVO FÍSICO EN LUGAR DE SESSION_STATE ---
                    contextos_recuperados = []
                    if os.path.exists("memoria_rag.txt"):
                        with open("memoria_rag.txt", "r", encoding="utf-8") as f:
                            texto_guardado = f.read()
                            if texto_guardado.strip():
                                contextos_recuperados.append(texto_guardado)

                    # Si el archivo no existe o está vacío
                    if not contextos_recuperados:
                        contextos_recuperados = ["El agente no utilizó el buscador de guías o no se encontró contexto."]
                        st.warning("⚠️ Advertencia: El RAG no devolvió contexto. Esto forzará la métrica de Fidelidad a cero, pero ya no dará error.")

                    resultado_texto = st.session_state['resultado_final'].raw if hasattr(st.session_state['resultado_final'], 'raw') else str(st.session_state['resultado_final'])
                    pregunta_clinica = (
                        f"Paciente de {edad} años con {fototipo}, lesión tipo {st.session_state['pred_clase']} "
                        f"de {tamano}mm en {localizacion}. "
                        f"¿Cuál es el protocolo de manejo, márgenes quirúrgicos y seguimiento recomendado?"
                    )

                    datos_consulta = {
                        "question": [pregunta_clinica], 
                        "contexts": [[c for c in contextos_recuperados]], 
                        "answer": [resultado_texto]
                    }
                    dataset_actual = Dataset.from_dict(datos_consulta)

                    resultado_ragas = evaluate(
                        dataset=dataset_actual, 
                        metrics=[Faithfulness(), AnswerRelevancy(strictness=1)], 
                        llm=llm_juez, 
                        embeddings=embeddings_juez,
                        raise_exceptions=True
                    )
                    df_ragas = resultado_ragas.to_pandas()
                    
                    st.write("📊 **Datos Crudos devueltos por RAGas:**")
                    st.dataframe(df_ragas)

                    def safe_score(col_name):
                        import math
                        for col in df_ragas.columns:
                            if col_name.lower() in col.lower():
                                val = df_ragas[col][0]
                                return 0.0 if math.isnan(val) else val
                        return 0.0

                    st.session_state['ragas_scores'] = {
                        'faithfulness': safe_score('faithfulness'),
                        'relevancy': safe_score('relevancy')
                    }
                except Exception as e:
                    st.error(f"🚨 ERROR FATAL AL EJECUTAR RAGAS: {e}")
                    st.session_state['ragas_scores'] = None 

        # 2. MOSTRAR RESULTADOS (Alineado perfectamente con el 'if st.button' de arriba)
        if st.session_state.get('ragas_scores') is not None:
            st.success("✅ Auditoría completada sin errores de sistema.")
            col_r1, col_r2 = st.columns(2)
            
            def formatear_score(score):
                color = "green" if score > 0.8 else "orange" if score > 0.6 else "red"
                return f"<span style='color: {color}; font-size: 24px; font-weight: bold;'>{score:.2f}</span> / 1.0"

            with col_r1:
                with st.container(border=True):
                    st.markdown("**Fidelidad Clínica (Faithfulness)**")
                    st.markdown(formatear_score(st.session_state['ragas_scores']['faithfulness']), unsafe_allow_html=True)
                    st.caption("Mide si la respuesta se deriva 100% de las guías médicas.")
            
            with col_r2:
                with st.container(border=True):
                    st.markdown("**Relevancia (Answer Relevance)**")
                    st.markdown(formatear_score(st.session_state['ragas_scores']['relevancy']), unsafe_allow_html=True)
                    st.caption("Mide si la respuesta aborda directamente los síntomas y diagnóstico.")

    # --- INFORME CLÍNICO ---
    st.markdown("### 📊 Informe Clínico Multiagente")
    with st.container(border=True):
        st.markdown(st.session_state['resultado_final'])
        st.markdown("<div class='disclaimer'><strong>⚠️ AVISO MÉDICO-LEGAL:</strong> Este sistema es una herramienta de apoyo y <strong>NO reemplaza el juicio clínico</strong>.</div>", unsafe_allow_html=True)

    # --- DESCARGA PDF ---
    paciente_data = {'nombre': nombre, 'id': id_paciente, 'edad': f"{edad} años"}
    pdf = PDFReport(paciente_data)
    pdf.add_page()
    pdf.chapter_title("1. Resumen Clínico e Imágenes")
    pdf.chapter_body(f"Paciente: {nombre}\nDiagnóstico IA: {st.session_state['pred_clase']} (Confianza: {np.max(st.session_state['probs'])*100:.2f}%)")
    pdf.image(st.session_state['path_diag'], x=10, y=None, w=190)
    pdf.ln(5)
    pdf.chapter_title("2. Informe Detallado de Agentes")
    texto_limpio = str(st.session_state['resultado_final']).replace('**', '').replace('### ', '\n\n').encode('latin-1', 'replace').decode('latin-1')
    pdf.chapter_body(texto_limpio)
    
    pdf_path = os.path.join(st.session_state['temp_dir'], "reporte_dermarag.pdf")
    pdf.output(pdf_path)
    
    with open(pdf_path, "rb") as f:
        st.download_button("📄 Exportar Reporte PDF (Formato APA)", data=f, file_name=f"Reporte_{id_paciente}.pdf", mime="application/pdf")

# ==============================================================================
# 12. SECCIÓN "OCULTA" / ADMINISTRATIVA: DESCARGA DE LOGS DE LATENCIA
# =============================================================================
archivo_logs = "logs_latencia.csv"
if os.path.exists(archivo_logs):
    with st.sidebar:
        st.markdown("### 📊 Panel de Administración")
        st.write("Descarga los registros de tiempo para calcular el Percentil 95.")
        with open(archivo_logs, "rb") as f:
            st.download_button(
                label="📥 Descargar Logs de Latencia (CSV)",
                data=f,
                file_name="historial_latencia_dermarag.csv",
                mime="text/csv"
            )

st.markdown("<div style='text-align: center; color: #666666; padding: 20px;'>DermaRAG MVP v1.5 | Desarrollado con Mixtral 8x7B + EfficientNet-B4</div>", unsafe_allow_html=True)