'
except Exception as e:
print(f"Error creando gráfico: {e}")
return "❌ Error generando gráfico de probabilidades
" 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 "No hay datos suficientes para el mapa de calor
" # Crear matriz de probabilidades prob_matrix = np.array([pred['probabilities'] for pred in valid_predictions]) # Crear figura fig, ax = plt.subplots(figsize=(10, 6)) # Crear mapa de calor im = ax.imshow(prob_matrix, cmap='RdYlGn_r', aspect='auto', vmin=0, vmax=1) # Configurar etiquetas ax.set_xticks(np.arange(7)) ax.set_yticks(np.arange(len(valid_predictions))) ax.set_xticklabels([cls.split('(')[1].rstrip(')') for cls in CLASSES]) ax.set_yticklabels([pred['model'] for pred in valid_predictions]) # Rotar etiquetas del eje x plt.setp(ax.get_xticklabels(), rotation=45, ha="right", rotation_mode="anchor") # Añadir valores en las celdas for i in range(len(valid_predictions)): 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) ax.set_title("Mapa de Calor: Probabilidades por Modelo y Clase") fig.tight_layout() # Añadir barra de color cbar = plt.colorbar(im, ax=ax) cbar.set_label('Probabilidad', rotation=270, labelpad=15) # Convertir a base64 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'
'
except Exception as e:
print(f"Error creando mapa de calor: {e}")
return "❌ Error generando mapa de calor
" def analizar_lesion(img): """Función principal para analizar la lesión""" try: if img is None: return "No hay modelos disponibles. Por favor, recarga la aplicación.
" # Convertir a RGB si es necesario if img.mode != 'RGB': img = img.convert('RGB') predictions = [] # Obtener predicciones de todos los modelos cargados 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 "No se pudieron obtener predicciones de ningún modelo.
" # 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 # Clase más votada consensus_class = max(class_votes.keys(), key=lambda x: class_votes[x]) avg_confidence = confidence_sum[consensus_class] / class_votes[consensus_class] # Determinar índice de la clase consenso consensus_idx = CLASSES.index(consensus_class) is_malignant = consensus_idx in MALIGNANT_INDICES risk_info = RISK_LEVELS[consensus_idx] # Generar visualizaciones probability_chart = create_probability_chart(predictions, consensus_class) heatmap = create_heatmap(predictions) # Generar HTML del reporte COMPLETO html_report = f"""{consensus_class}
Confianza Promedio: {avg_confidence:.1%}
Consenso: {class_votes[consensus_class]}/{len(predictions)} modelos
{risk_info['urgency']}
Tipo: {'🔴 Potencialmente maligna' if is_malignant else '🟢 Probablemente benigna'}
Este análisis es solo una herramienta de apoyo diagnóstico basada en IA.
Siempre consulte con un dermatólogo profesional para un diagnóstico definitivo.
No utilice esta información como único criterio para decisiones médicas.
Los resultados individuales de cada modelo se muestran para transparencia y análisis comparativo.
Error técnico: {str(e)}
Por favor, intente con otra imagen.
" # Configuración de Gradio def create_interface(): 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. Enfoque 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 cargados: {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!") print(f"📊 Modelos cargados: {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)