Update app.py

app.py

@@ -100,6 +100,31 @@ os.environ['CUDA_VISIBLE_DEVICES'] = '-1'
 os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
 tf.config.set_visible_devices([], 'GPU')
 
+
+# =============================================================================
+# 1. IMPORTS ET CHARGEMENT DU MODÈLE (à ajouter en début de fichier)
+# =============================================================================
+
+from transformers import pipeline
+import torch
+
+# Chargement du modèle Microsoft BiomedBERT
+med_nlp = None
+try:
+    print("📥 Chargement du modèle médical Microsoft BiomedBERT...")
+    med_nlp = pipeline(
+        "text-classification",
+        model="microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract",
+        framework="pt",
+        device=0 if torch.cuda.is_available() else -1  # GPU si disponible
+    )
+    print("✅ Microsoft BiomedBERT chargé avec succès")
+except Exception as e:
+    print(f"❌ Erreur lors du chargement de Microsoft BiomedBERT: {e}")
+    med_nlp = None
+
+    
+
 # ---- Configuration ----
 CLASS_NAMES = ['akiec', 'bcc', 'bkl', 'df', 'nv', 'vasc', 'mel']
 label_to_index = {name: i for i, name in enumerate(CLASS_NAMES)}
@@ -481,6 +506,111 @@ def make_gradcam(image_pil, model, last_conv_layer_name, class_index, progress=N
         _update_progress(progress, 100, "❌ Erreur")
         return np.array(image_pil)
 
+# =============================================================================
+# 2. FONCTION D'ANALYSE MÉDICALE (à ajouter après vos fonctions existantes)
+# =============================================================================
+
+def get_medical_analysis(top_class_name, confidence, mel_prob):
+    """
+    Analyse médicale utilisant Microsoft BiomedBERT
+    """
+    global med_nlp
+    
+    if med_nlp is None:
+        return {
+            "status": "error",
+            "analysis": "Modèle médical non disponible",
+            "recommendation": "Consultez un dermatologue pour un diagnostic professionnel."
+        }
+    
+    try:
+        # Construction du texte médical basé sur la prédiction
+        medical_context = f"""
+        Dermatology diagnosis: {top_class_name} detected with {confidence:.1f}% confidence.
+        Clinical findings suggest {CLASS_NAMES_FULL.get(top_class_name, top_class_name)}.
+        Melanoma probability: {mel_prob:.1f}%.
+        Patient requires medical evaluation for skin lesion assessment.
+        """
+        
+        # Analyse avec BiomedBERT
+        result = med_nlp(medical_context)
+        
+        # Interprétation des résultats
+        if result and len(result) > 0:
+            score = result[0].get('score', 0)
+            label = result[0].get('label', 'UNKNOWN')
+            
+            # Génération de recommandations basées sur l'analyse
+            if score > 0.7:
+                recommendation_level = "urgent"
+            elif score > 0.5:
+                recommendation_level = "modéré"
+            else:
+                recommendation_level = "surveillance"
+                
+            return {
+                "status": "success",
+                "biomed_score": score,
+                "biomed_label": label,
+                "recommendation_level": recommendation_level,
+                "analysis": f"Analyse BiomedBERT: {label} (score: {score:.3f})",
+                "recommendation": get_medical_recommendation(top_class_name, mel_prob, recommendation_level)
+            }
+        else:
+            return {
+                "status": "error",
+                "analysis": "Analyse BiomedBERT échouée",
+                "recommendation": "Consultez un dermatologue pour un diagnostic professionnel."
+            }
+            
+    except Exception as e:
+        print(f"Erreur analyse BiomedBERT: {e}")
+        return {
+            "status": "error",
+            "analysis": f"Erreur technique: {str(e)}",
+            "recommendation": "Consultez un dermatologue pour un diagnostic professionnel."
+        }
+
+def get_medical_recommendation(class_name, mel_prob, level):
+    """
+    Génère des recommandations médicales personnalisées
+    """
+    base_recommendations = {
+        "mel": "🚨 URGENT: Consultation immédiate chez un dermatologue recommandée.",
+        "bcc": "⚠️ Consultation dermatologique recommandée sous 2-4 semaines.",
+        "akiec": "📋 Surveillance dermatologique régulière conseillée.",
+        "bkl": "✅ Lésion généralement bénigne, surveillance de routine.",
+        "df": "📋 Suivi dermatologique pour confirmation diagnostique.",
+        "nv": "✅ Grain de beauté typique, surveillance habituelle.",
+        "vasc": "📋 Évaluation dermatologique pour suivi approprié."
+    }
+    
+    base_rec = base_recommendations.get(class_name, "📋 Consultation dermatologique recommandée.")
+    
+    if mel_prob > 10:
+        return f"{base_rec} ⚠️ Attention: Risque mélanome détecté ({mel_prob:.1f}%)."
+    elif level == "urgent":
+        return f"🚨 {base_rec} Analyse BiomedBERT indique une attention médicale prioritaire."
+    elif level == "modéré":
+        return f"⚠️ {base_rec} Surveillance médicale recommandée."
+    else:
+        return base_rec
+
+# Dictionnaire des noms complets (à ajouter si pas déjà présent)
+CLASS_NAMES_FULL = {
+    "mel": "Melanoma",
+    "bcc": "Basal Cell Carcinoma", 
+    "akiec": "Actinic Keratosis",
+    "bkl": "Benign Keratosis",
+    "df": "Dermatofibroma",
+    "nv": "Melanocytic Nevus",
+    "vasc": "Vascular Lesion"
+}
+
+# --- Fin Bert Doctor
+
+
+
 # ---- GESTION ASYNCHRONE / ÉTAT ----
 current_image = None
 current_predictions = None
@@ -507,7 +637,8 @@ def quick_predict_ui(image_pil):
             "",  # output_text vide
             gr.update(value="", visible=False),  # output_warning masqué
             empty_fig,  # Figure vide au lieu de None
-            "❌ Erreur: Aucune image fournie."
+            "❌ Erreur: Aucune image fournie.",
+            ""  # Nouveau output pour BiomedBERT
         )
     
     try:
@@ -522,6 +653,10 @@ def quick_predict_ui(image_pil):
         # Probabilité de mélanome
         mel_idx = CLASS_NAMES.index("mel")
         mel_prob = ensemble_probs[mel_idx] * 100
+        confidence = ensemble_probs[top_class_idx] * 100
+        
+        # NOUVELLE: Analyse médicale avec BiomedBERT
+        medical_analysis = get_medical_analysis(top_class_name, confidence, mel_prob)
         
         # Description
         desc_top = description.get(top_class_name, "")
@@ -568,6 +703,20 @@ def quick_predict_ui(image_pil):
             '''
             warning_visible = True
         
+        # NOUVEAU: HTML pour l'analyse médicale BiomedBERT
+        biomed_html = f'''
+        <div class="medical-analysis" style="background: linear-gradient(135deg, #667eea 0%, #764ba2 100%); color: white; padding: 15px; border-radius: 10px; margin-top: 10px;">
+            <h3 style="margin: 0 0 10px 0; display: flex; align-items: center;">
+                🧬 Analyse Médicale BiomedBERT
+            </h3>
+            <div style="background: rgba(255,255,255,0.1); padding: 10px; border-radius: 5px;">
+                <p><strong>Statut:</strong> {medical_analysis['status']}</p>
+                <p><strong>Analyse:</strong> {medical_analysis['analysis']}</p>
+                <p><strong>Recommandation:</strong> {medical_analysis['recommendation']}</p>
+            </div>
+        </div>
+        '''
+        
         # Création du graphique Plotly
         probabilities = [round(ensemble_probs[i] * 100, 2) for i in range(len(CLASS_NAMES))]
         
@@ -578,34 +727,33 @@ def quick_predict_ui(image_pil):
             go.Bar(
                 x=CLASS_NAMES,
                 y=probabilities,
-                text=[f'{p:.2f}%' for p in probabilities],  # Pourcentages avec 2 décimales
-                textposition='outside',  # POURCENTAGES EN DEHORS DES BARRES
+                text=[f'{p:.2f}%' for p in probabilities],
+                textposition='outside',
                 marker_color=colors,
                 hovertemplate='<b>%{x}</b><br>Probabilité: %{y:.2f}%<extra></extra>'
             )
         ])
         
         fig.update_layout(
-            #title="Probabilités par classe",
             xaxis_title="Classes",
             yaxis_title="Probabilité (%)",
-            yaxis=dict(range=[0, max(probabilities) * 1.15]),  # Ajuster la plage pour les labels externes
+            yaxis=dict(range=[0, max(probabilities) * 1.15]),
             height=450,
             template="plotly_white",
             showlegend=False,
             font=dict(size=12),
-            margin=dict(l=50, r=50, t=70, b=100)  # Marge du bas augmentée pour les labels x
+            margin=dict(l=50, r=50, t=70, b=100)
         )
         
-        # Rotation des labels x pour une meilleure lisibilité
         fig.update_xaxes(tickangle=45)
         
         return (
             global_diag_html,
             output_text_html,
             gr.update(value=warning_html, visible=warning_visible),
-            fig,  # Retourner la figure Plotly
-            "✅ Analyse terminée."
+            fig,
+            "✅ Analyse terminée.",
+            biomed_html  # NOUVEAU: Retour de l'analyse BiomedBERT
         )
         
     except Exception as e:
@@ -618,6 +766,13 @@ def quick_predict_ui(image_pil):
             showlegend=False
         )
         
+        error_biomed_html = f'''
+        <div class="medical-analysis" style="background: #ffebee; color: #d32f2f; padding: 15px; border-radius: 10px; border: 1px solid #ef9a9a;">
+            <h3>🧬 Analyse Médicale BiomedBERT</h3>
+            <p>❌ Erreur lors de l'analyse médicale: {str(e)}</p>
+        </div>
+        '''
+        
         return (
             f'<div class="diagnostic-global"><h2>Erreur: {str(e)}</h2></div>',
             "",
@@ -626,10 +781,11 @@ def quick_predict_ui(image_pil):
                 ❌ Une erreur est survenue : {str(e)}
             </div>
             ''', visible=True),
-            error_fig,  # Figure d'erreur au lieu de None
-            f"❌ Erreur: {str(e)}"
+            error_fig,
+            f"❌ Erreur: {str(e)}",
+            error_biomed_html  # NOUVEAU: Erreur BiomedBERT
         )
-        
+
 def generate_gradcam_ui(progress=gr.Progress()):
     global current_image, current_predictions
     if current_image is None or current_predictions is None:
@@ -732,6 +888,8 @@ with gr.Blocks(theme=theme, title="Analyse de lésions", css=css) as demo:
             
           # Configuration correcte du BarPlot
             output_plot = gr.Plot(label="Probabilités par classe")
+            # NOUVEAU: Output pour l'analyse BiomedBERT
+            output_medical = gr.HTML(label="🧬 Analyse Médicale Avancée")
 
     gr.Markdown(f"Ensemble de modèles utilisés : {', '.join(models_status) if models_status else 'AUCUN'}")
     gr.HTML(value="""
@@ -747,7 +905,7 @@ with gr.Blocks(theme=theme, title="Analyse de lésions", css=css) as demo:
     quick_btn.click(
         fn=quick_predict_ui,
         inputs=input_image,
-        outputs=[output_label, output_text, output_warning, output_plot, output_status]
+        outputs=[output_label, output_text, output_warning, output_plot, output_status, output_medical]
     )
     
     gradcam_btn.click(