Update app.py

app.py

@@ -1,85 +1,56 @@
 import gradio as gr
+import torch
 import numpy as np
 from PIL import Image
-import torch
-import io
-import json
-import pydicom
-import cv2
-import base64
-
-from models import load_vision_model, get_image_transform, load_segmentation_model, load_text_models, load_translation_model, DEVICE
-from interpret import ensure_tensor, compute_gradcam, overlay_cam_on_original, mc_dropout_predictions
-from text_pipeline import summarize_report, translate_en_to_ar
-
-
-# تحميل كل النماذج مرة واحدة
-vision_model, seg_model, text_tok, text_model, mt_tok, mt_model, transform = (
-    load_vision_model(num_classes=14),
-    load_segmentation_model(),
-    *load_text_models(),
-    *load_translation_model(),
-    get_image_transform(),
-)
-
-def analyze_image(file):
-    """
-    الدالة الرئيسية لتحليل الأشعة
-    """
-    filename = file.name.lower()
-
-    if filename.endswith(".dcm"):
-        ds = pydicom.dcmread(io.BytesIO(file.read()))
-        img = ds.pixel_array
-        img_norm = (img - img.min()) / (img.max() - img.min() + 1e-8)
-        display_img = (np.stack([img_norm]*3, axis=-1) * 255).astype(np.uint8)
-    else:
-        image = Image.open(file).convert("RGB")
-        display_img = np.array(image)
+from models import load_vision_model, get_image_transform, load_segmentation_model, DEVICE
+from diagnosis_module import diagnose_symptoms
+
+# تحميل الموديلات
+vision_model = load_vision_model()
+seg_model = load_segmentation_model()
+transform = get_image_transform()
+
+# تحليل الأشعة
+def analyze_image(image):
+    if image is None:
+        return "يرجى رفع صورة الأشعة"
+    img = np.array(image.convert("RGB"))
+    tensor = transform(img).unsqueeze(0).to(DEVICE)
+    with torch.no_grad():
+        output = vision_model(tensor)
+        probs = torch.softmax(output, dim=1).cpu().numpy()[0]
+    top_classes = np.argsort(probs)[::-1][:5]
+    result = "\n".join([f"فئة {i}: احتمال {probs[i]:.3f}" for i in top_classes])
+    return result
+
+# تحليل الأعراض
+def analyze_symptoms(symptom_text):
+    if not symptom_text.strip():
+        return "يرجى كتابة الأعراض"
+    results = diagnose_symptoms(symptom_text)
+    text = "🔍 الأمراض المحتملة:\n\n"
+    for r in results:
+        text += f"- {r['disease']} (احتمال: {r['score']:.2f})\n📘 المصدر: {r['source']}\n\n"
+    return text
 
-    # تجهيز الصورة للنموذج
-    input_tensor = ensure_tensor(display_img, transform).to(DEVICE)
-
-    # التنبؤ
-    mean_probs, std_probs = mc_dropout_predictions(vision_model, input_tensor, n_samples=8)
-
-    # إنشاء تقرير مختصر
-    top_idx = np.argsort(mean_probs)[::-1][:5]
-    findings = []
-    for idx in top_idx:
-        p = mean_probs[idx]
-        u = std_probs[idx]
-        findings.append(f"Finding_{idx}: probability={p:.3f}, uncertainty={u:.3f}")
-
-    auto_report_en = "Model findings:\n" + "\n".join(findings)
-    auto_report_ar = translate_en_to_ar(auto_report_en, mt_tok, mt_model)
-
-    # إعداد JSON للإرسال لتطبيق Android
-    result = {
-        "filename": filename,
-        "vision_probs": mean_probs.tolist(),
-        "vision_uncertainty": std_probs.tolist(),
-        "auto_report_en": auto_report_en,
-        "auto_report_ar": auto_report_ar
-    }
+# واجهة Gradio
+with gr.Blocks(title="MedAI Assistant") as app:
+    gr.Markdown("# 🧠 MedAI — مساعد التحليل الطبي الذكي\n### ⚠️ لأغراض بحثية فقط، ليست بديلاً عن الطبيب")
 
-    # تحويل الصورة مع GradCAM لعرض بصري
-    cam_mask = compute_gradcam(vision_model, input_tensor)
-    overlay = overlay_cam_on_original(display_img.astype(float)/255.0, cam_mask)
+    with gr.Tab("تحليل الأشعة"):
+        image_input = gr.Image(type="pil", label="📤 ارفع صورة الأشعة")
+        image_output = gr.Textbox(label="🔍 نتائج التحليل")
+        analyze_button = gr.Button("تشغيل التحليل")
+        analyze_button.click(analyze_image, inputs=image_input, outputs=image_output)
 
-    return overlay, json.dumps(result, ensure_ascii=False, indent=2)
+    with gr.Tab("تحليل الأعراض"):
+        symptom_input = gr.Textbox(label="✏️ اكتب الأعراض (مثال: حمى، سعال، ضيق تنفس)")
+        symptom_output = gr.Textbox(label="🩺 التشخيص المبدئي")
+        analyze_symptoms_btn = gr.Button("تشغيل التحليل")
+        analyze_symptoms_btn.click(analyze_symptoms, inputs=symptom_input, outputs=symptom_output)
 
+app.launch()
 
-# واجهة Gradio
-demo = gr.Interface(
-    fn=analyze_image,
-    inputs=gr.Image(type="file", label="حمّل صورة الأشعة (JPG/PNG/DICOM)"),
-    outputs=[
-        gr.Image(label="Grad-CAM Overlay"),
-        gr.Textbox(label="نتائج JSON", lines=15)
-    ],
-    title="MedAI — قارئ الأشعة الذكي",
-    description="يرجى رفع صورة أشعة لتحليلها وإنتاج تقرير تلقائي (تجريبي)."
-)
+app.launch()
 
 demo.launch()