Update app.py

app.py

@@ -2,7 +2,6 @@ import gradio as gr
 import numpy as np
 from PIL import Image
 import tensorflow as tf
-import cv2
 from transformers import pipeline
 
 # =========================
@@ -10,7 +9,6 @@ from transformers import pipeline
 # =========================
 model = tf.keras.models.load_model("modelo_derm_real.h5")
 
-# ORDEN CORRECTO (TU class_indices)
 clases = ["carcinoma", "fibroma", "melanoma", "nevo", "precancer", "queratosis", "vascular"]
 
 map_clinico = {
@@ -29,34 +27,32 @@ map_clinico = {
 hf_model = pipeline("image-classification", model="nateraw/vit-base-beans")
 
 # =========================
-# 🧠 ABCDE CLÍNICO
+# 🧠 ABCDE SIN OPENCV
 # =========================
 def analizar_abcde(image):
     img = np.array(image)
-    gray = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY)
 
     # A: Asimetría
-    h, w = gray.shape
-    izquierda = gray[:, :w//2]
-    derecha = np.fliplr(gray[:, w//2:])
+    h, w, _ = img.shape
+    izquierda = img[:, :w//2]
+    derecha = np.fliplr(img[:, w//2:])
     min_w = min(izquierda.shape[1], derecha.shape[1])
     asimetria = np.mean(np.abs(izquierda[:, :min_w] - derecha[:, :min_w]))
 
-    # B: Bordes (irregularidad)
-    edges = cv2.Canny(gray, 50, 150)
-    bordes = np.sum(edges) / (h*w)
+    # B: Bordes (simple)
+    bordes = np.std(img)
 
-    # C: Color (variación)
+    # C: Color
     color_var = np.std(img)
 
-    # D: Diámetro (aprox)
+    # D: Tamaño relativo
     diametro = max(h, w)
 
     score = 0
 
-    if asimetria > 25:
+    if asimetria > 20:
         score += 1
-    if bordes > 0.05:
+    if bordes > 40:
         score += 1
     if color_var > 50:
         score += 1
@@ -81,53 +77,49 @@ def predict(image):
         idx = np.argmax(pred)
         confianza = float(pred[idx]) * 100
         dx = clases[idx]
-
         dx_clinico = map_clinico[dx]
 
         # ===== ABCDE =====
         score_abcde = analizar_abcde(image)
 
-        # ===== MODELO HF =====
+        # ===== HF fallback =====
         hf = hf_model(image)
         hf_conf = hf[0]["score"] * 100
 
         # =========================
-        # 🧠 FUSIÓN CLÍNICA REAL
+        # 🧠 LÓGICA CLÍNICA
         # =========================
         if score_abcde >= 3:
-            riesgo = "🔴 ALTO"
             diagnostico = "Sospechoso de malignidad"
+            riesgo = "🔴 ALTO"
         elif score_abcde == 2:
-            riesgo = "🟠 MODERADO"
             diagnostico = dx_clinico
+            riesgo = "🟠 MODERADO"
         else:
-            riesgo = "🟢 BAJO"
             diagnostico = "Nevo benigno"
+            riesgo = "🟢 BAJO"
 
-        # 🔥 FILTRO ANTI FALSOS POSITIVOS
+        # 🔥 ANTI FALSOS POSITIVOS
         if dx_clinico in ["Melanoma", "Carcinoma basocelular"] and score_abcde < 3:
             diagnostico = "Nevo benigno"
             riesgo = "🟢 BAJO"
 
-        # =========================
-        # 🧾 REPORTE
-        # =========================
         return f"""
-🏥 INFORME DERMATOLÓGICO IA
+🏥 INFORME DERM-IA PRO
 
-Diagnóstico final: {diagnostico}
+Diagnóstico: {diagnostico}
 Confianza modelo: {round(confianza,2)}%
 IA base: {round(hf_conf,2)}%
 
-Evaluación ABCDE: {score_abcde}/4
-Nivel de riesgo: {riesgo}
+ABCDE score: {score_abcde}/4
+Riesgo: {riesgo}
 
 🩺 Conducta:
-- 🔴 Alto → Biopsia urgente
-- 🟠 Moderado → Dermatoscopia
-- 🟢 Bajo → Seguimiento
+- 🔴 Biopsia urgente
+- 🟠 Dermatoscopia
+- 🟢 Seguimiento
 
-⚠ Sistema de apoyo clínico.
+⚠ Apoyo clínico.
 """
 
     except Exception as e:
@@ -135,15 +127,15 @@ Nivel de riesgo: {riesgo}
 
 
 # =========================
-# 🎯 INTERFAZ PRO
+# 🎯 INTERFAZ
 # =========================
 with gr.Blocks(theme=gr.themes.Soft()) as demo:
     gr.Markdown("# 🧠 Derm-IA Clínico PRO")
-    gr.Markdown("### IA dermatológica con análisis tipo ABCDE")
+    gr.Markdown("### IA dermatológica (estable + sin errores)")
 
     with gr.Row():
-        img = gr.Image(type="pil", label="📸 Lesión")
-        out = gr.Textbox(lines=18)
+        img = gr.Image(type="pil")
+        out = gr.Textbox(lines=15)
 
     btn = gr.Button("🔍 Analizar")
     btn.click(fn=predict, inputs=img, outputs=out)