Upload 3 files

README.md

@@ -1,11 +1,77 @@
+
+# TNM Endpoint (FastAPI on Hugging Face Spaces)
+
+Endpoint يستقبل **تقرير طبي نصي** ويعيد **توقعات T/N/M** باستخدام موديلات منشورة على Hugging Face.
+
+## 🔧 ما الذي يفعله؟
+- `POST /predict_tnm` ← تدخل نص التقرير → يرجع `{ "T": ..., "N": ..., "M": ... }` مع درجات الثقة.
+- يستخدم **HuggingFace Inference API**، لذلك **لا يحتاج GPU** داخل الـ Space.
+
 ---
-title: TNM
-emoji: 📉
-colorFrom: blue
-colorTo: red
-sdk: docker
-pinned: false
-short_description: TNM Model
+
+## 🚀 خطوات الرفع على Hugging Face Spaces
+
+1) افتح حسابك على Hugging Face ثم:
+   - New → **Create new Space**
+   - الاسم: `tnm-endpoint` (أو أي اسم)
+   - **SDK: FastAPI**
+   - **Hardware: CPU Basic** (يكفي لأن الحساب الفعلي يتم في Inference API)
+   - اختياري: **Private** لو تبي الإندبوينت خاص
+
+2) بعد إنشاء الـ Space:
+   - من تبويب **Files & versions** ارفع الملفات التالية:
+     - `app.py`
+     - `requirements.txt`
+     - `README.md` (اختياري)
+
+3) أضف **Secret** للمفتاح:
+   - Settings → Secrets → Add new secret
+   - Name: `HF_TOKEN`
+   - Value: (توكن حسابك من https://huggingface.co/settings/tokens)
+   - احفظ
+
+   > الموديلات العامة قد تعمل بدون توكن، لكن التوكن يضمن لك استقرار وحدود أعلى ويُلزم للموديلات الخاصة.
+
+4) انتظر حتى يصبح Space في حالة **Running**.
+
+5) اختبر الصحة:
+   - GET على: `https://USERNAME-SPACE_NAME.hf.space/healthz`
+
+6) جرّب التنبؤ:
+```bash
+curl -X POST "https://USERNAME-SPACE_NAME.hf.space/predict_tnm" \
+     -H "Content-Type: application/json" \
+     -d '{"text": "Tumor size is 3 cm with positive axillary lymph nodes, no distant metastasis detected."}'
+```
+
+**رد متوقع** (مثال):
+```json
+{
+  "input_chars": 92,
+  "tnm": {
+    "T": {"label": "T2", "score": 0.91, "raw": [...]},
+    "N": {"label": "N1", "score": 0.88, "raw": [...]},
+    "M": {"label": "M0", "score": 0.95, "raw": [...]}
+  },
+  "tnm_string": "T2 N1 M0",
+  "meta": {"models": {"T": "jkefeli/CancerStage_Classifier_T", "N": "jkefeli/CancerStage_Classifier_N", "M": "jkefeli/CancerStage_Classifier_M"}}
+}
+```
+
 ---
 
-Check out the configuration reference at https://huggingface.co/docs/hub/spaces-config-reference
+## 🔁 تخصيص أسماء الموديلات
+تقدر تغيّر الموديلات بدون تعديل الكود عبر **Environment variables** داخل Settings → Variables:
+
+- `MODEL_T` (الافتراضي: `jkefeli/CancerStage_Classifier_T`)
+- `MODEL_N` (الافتراضي: `jkefeli/CancerStage_Classifier_N`)
+- `MODEL_M` (الافتراضي: `jkefeli/CancerStage_Classifier_M`)
+
+---
+
+## 🧠 ملاحظات مهمة
+- إذا أحد الموديلات غير متوافق مع مهمة `text-classification` في Inference API، جرّب موديل بديل أو حمّل الموديل محليًا (يتطلب GPU Space).
+- لو تبغى **Batch API**، تقدر تضيف مسار جديد يقبل `List[str]` ويعيد قائمة من النتائج.
+- للأمان، فكّر بإضافة **API Key** بسيط (Header) تتحقق منه قبل تنفيذ الطلب.
+
+بالتوفيق! ✨

app.py

@@ -0,0 +1,75 @@
+
+import os
+from fastapi import FastAPI, HTTPException
+from fastapi.middleware.cors import CORSMiddleware
+from pydantic import BaseModel
+from huggingface_hub import InferenceClient
+
+# === Config ===
+HF_TOKEN = os.getenv("HF_TOKEN")  # add this as a Secret in your Space
+MODEL_T = os.getenv("MODEL_T", "jkefeli/CancerStage_Classifier_T")
+MODEL_N = os.getenv("MODEL_N", "jkefeli/CancerStage_Classifier_N")
+MODEL_M = os.getenv("MODEL_M", "jkefeli/CancerStage_Classifier_M")
+
+# Initialize FastAPI
+app = FastAPI(title="TNM Endpoint", version="1.0.0")
+
+# CORS (optional): allow all origins by default; tighten for production
+app.add_middleware(
+    CORSMiddleware,
+    allow_origins=["*"],
+    allow_credentials=True,
+    allow_methods=["*"],
+    allow_headers=["*"],
+)
+
+# Init Hugging Face Inference clients (remote inference, no heavy compute on your Space)
+clients = {
+    "T": InferenceClient(model=MODEL_T, token=HF_TOKEN),
+    "N": InferenceClient(model=MODEL_N, token=HF_TOKEN),
+    "M": InferenceClient(model=MODEL_M, token=HF_TOKEN),
+}
+
+class ReportInput(BaseModel):
+    text: str
+
+@app.get("/healthz")
+def healthz():
+    return {"status": "ok", "models": {"T": MODEL_T, "N": MODEL_N, "M": MODEL_M}}
+
+def _classify(client: InferenceClient, text: str):
+    # Uses HF Inference API task: text-classification
+    # Returns best label with score
+    try:
+        outputs = client.text_classification(text, wait_for_model=True)
+        if not outputs:
+            raise ValueError("Empty response from model")
+        best = max(outputs, key=lambda x: x.get("score", 0))
+        return {"label": best.get("label", "UNKNOWN"), "score": float(best.get("score", 0.0)), "raw": outputs}
+    except Exception as e:
+        raise HTTPException(status_code=502, detail=f"Inference error: {e}")
+
+@app.post("/predict_tnm")
+def predict_tnm(input: ReportInput):
+    text = (input.text or "").strip()
+    if not text:
+        raise HTTPException(status_code=400, detail="Empty 'text'")
+    # Optionally hard-truncate very long inputs to avoid API limits
+    if len(text) > 20000:
+        text = text[:20000]
+
+    preds = {}
+    for key, client in clients.items():
+        preds[key] = _classify(client, text)
+
+    t = preds["T"]["label"]
+    n = preds["N"]["label"]
+    m = preds["M"]["label"]
+    tnm_string = f"{t} {n} {m}"
+
+    return {
+        "input_chars": len(text),
+        "tnm": preds,
+        "tnm_string": tnm_string,
+        "meta": {"models": {"T": MODEL_T, "N": MODEL_N, "M": MODEL_M}}
+    }

requirements.txt

@@ -0,0 +1,5 @@
+
+fastapi>=0.110.0
+uvicorn>=0.23.0
+pydantic>=2.0.0
+huggingface_hub>=0.24.0