Create app.py

app.py

@@ -0,0 +1,133 @@
+import os
+import subprocess
+from fastapi import FastAPI
+from sentence_transformers import SentenceTransformer
+from fastapi.middleware.cors import CORSMiddleware
+import fitz  # PyMuPDF pour extraction du texte PDF
+import faiss
+import numpy as np
+import requests
+import pytesseract
+from PIL import Image
+import gradio as gr
+
+# Installation automatique de Tesseract pour Windows
+def install_tesseract_windows():
+    tesseract_installer_url = "https://github.com/tesseract-ocr/tesseract/releases/download/5.3.0/tesseract-5.3.0.20221214.exe"
+    installer_path = "tesseract_installer.exe"
+
+    if not os.path.exists("C:\\Program Files\\Tesseract-OCR"):
+        print("Installation de Tesseract OCR...")
+        # Télécharger l'installateur
+        subprocess.run(["curl", "-L", tesseract_installer_url, "-o", installer_path], shell=True, check=True)
+        # Exécuter l'installateur silencieusement
+        subprocess.run([installer_path, "/S"], shell=True, check=True)
+        os.environ["TESSDATA_PREFIX"] = "C:\\Program Files\\Tesseract-OCR\\"
+        pytesseract.pytesseract.tesseract_cmd = "C:\\Program Files\\Tesseract-OCR\\tesseract.exe"
+        print("Tesseract OCR installé avec succès.")
+    else:
+        pytesseract.pytesseract.tesseract_cmd = "C:\\Program Files\\Tesseract-OCR\\tesseract.exe"
+        print("Tesseract OCR déjà installé.")
+
+install_tesseract_windows()
+
+# Configuration de l'API Gemini
+GEMINI_API_KEY = "AIzaSyArbgg_p_HlmpgrcjVYemdSJeMCP9OTj3E"
+GEMINI_API_URL = "https://generativelanguage.googleapis.com/v1beta/models/gemini-1.5-flash-latest:generateContent"
+
+# Configuration FAISS et embeddings
+EMBEDDING_MODEL = "sentence-transformers/all-MiniLM-L6-v2"
+model = SentenceTransformer(EMBEDDING_MODEL)
+INDEX_PATH = "medical_faiss_index"
+documents = []
+
+if os.path.exists(INDEX_PATH):
+    index = faiss.read_index(INDEX_PATH)
+    print("Index FAISS chargé avec succès.")
+else:
+    index = faiss.IndexFlatL2(model.get_sentence_embedding_dimension())
+    print("Nouvel index FAISS créé.")
+
+# Fonction d'extraction de texte
+def extract_text_from_pdf(file_content: bytes):
+    pdf = fitz.open(stream=file_content, filetype="pdf")
+    paragraphs = []
+    for page in pdf:
+        text = page.get_text()
+        if text.strip():
+            paragraphs.extend([p.strip() for p in text.split("\n\n") if p.strip()])
+    return paragraphs
+
+def extract_text_from_image(file_path):
+    return pytesseract.image_to_string(Image.open(file_path))
+
+# Fonction pour ajouter les documents de référence
+def add_medical_reference(file):
+    with open(file.name, "rb") as f:
+        file_content = f.read()
+    paragraphs = extract_text_from_pdf(file_content)
+    embeddings = model.encode(paragraphs)
+    index.add(np.array(embeddings, dtype="float32"))
+    documents.extend(paragraphs)
+    faiss.write_index(index, INDEX_PATH)
+    return "Référence médicale ajoutée avec succès."
+
+# Fonction pour analyser un fichier (PDF ou Image)
+def analyze_blood_test(file):
+    try:
+        if file.name.endswith((".png", ".jpg", ".jpeg")):
+            extracted_text = extract_text_from_image(file.name)
+        elif file.name.endswith(".pdf"):
+            with open(file.name, "rb") as f:
+                file_content = f.read()
+            paragraphs = extract_text_from_pdf(file_content)
+            extracted_text = "\n".join(paragraphs)
+        else:
+            return "Format non supporté. Utilisez un PDF ou une image."
+
+        if not extracted_text.strip():
+            return "Aucun texte valide extrait."
+
+        # Recherche et appel Gemini
+        relevant_docs = search_faiss(extracted_text, k=5)
+        context = "\n".join(relevant_docs)
+        enriched_prompt = f"Voici les résultats d'analyse :\n{extracted_text}\n\nContexte pertinent :\n{context}"
+        gemini_response = call_gemini_api(enriched_prompt)
+
+        return f"Réponse générée :\n{gemini_response}\n\nDocuments pertinents :\n{relevant_docs}"
+    except Exception as e:
+        return f"Erreur : {str(e)}"
+
+# Recherche FAISS
+def search_faiss(query, k=5):
+    query_embedding = model.encode([query])
+    distances, indices = index.search(np.array(query_embedding, dtype="float32"), k)
+    return [documents[i] for i in indices[0] if i < len(documents)]
+
+# Appel API Gemini
+def call_gemini_api(prompt):
+    headers = {"Content-Type": "application/json"}
+    payload = {"contents": [{"parts": [{"text": prompt}]}]}
+    try:
+        response = requests.post(f"{GEMINI_API_URL}?key={GEMINI_API_KEY}", json=payload, headers=headers)
+        return response.json().get("candidates", [{}])[0].get("content", {}).get("parts", [{}])[0].get("text", "Pas de réponse.")
+    except Exception as e:
+        return f"Erreur API : {str(e)}"
+
+# Interface Gradio
+with gr.Blocks() as demo:
+    gr.Markdown("## Analyse Médicale avec RAG et Gemini")
+
+    with gr.Tab("Ajouter Références Médicales"):
+        ref_file = gr.File(label="Téléchargez un fichier PDF de référence médicale")
+        ref_output = gr.Textbox(label="Résultat")
+        ref_button = gr.Button("Ajouter")
+        ref_button.click(add_medical_reference, inputs=ref_file, outputs=ref_output)
+
+    with gr.Tab("Analyser un Résultat d'Analyse"):
+        test_file = gr.File(label="Téléchargez un fichier PDF ou image (JPG/PNG)")
+        analysis_output = gr.Textbox(label="Résultat")
+        analyze_button = gr.Button("Analyser")
+        analyze_button.click(analyze_blood_test, inputs=test_file, outputs=analysis_output)
+
+demo.launch()