app.py

import streamlit as st
#from streamlit_image_zoom import image_zoom  # Import de la bibliothèque pour le zoom
import base64
import os
import os
from dotenv import load_dotenv
#from anthropic import Anthropic
from openai import OpenAI
from PIL import Image, ImageOps
import tempfile
import time

load_dotenv()
# Accéder à la clé API à partir des secrets
api_key = os.environ.get("XAI_API_KEY")

if not api_key:
    raise ValueError("La clé API XAI n'est pas définie dans les secrets.")

client = OpenAI(
    api_key=api_key,
    base_url="https://openrouter.ai/api/v1" #"https://api.x.ai/v1",
)
#client = Anthropic()
#MODEL_NAME ="claude-3-opus-20240229"
# Définir le style global
st.set_page_config(
    page_title="Le Radiologue Virtuel",
    page_icon="🩺",
    layout="centered",
)

# CSS personnalisé pour styliser l'interface
st.markdown("""
    <style>
    body {
        background-color: #f4f4f9;
        color: #333333;
        font-family: 'Arial', sans-serif;
    }
    .stButton>button {
        background-color: #007bff;
        color: white;
        border-radius: 8px;
        padding: 0.5em 1.5em;
        font-size: 1em;
        border: none;
        transition: all 0.3s ease-in-out;
    }
    .stButton>button:hover {
        background-color: #0056b3;
        transform: scale(1.05);
    }
    .st-expander-header {
        font-weight: bold;
        font-size: 1.2em;
        color: #007bff;
    }
    .stMarkdown {
        font-size: 1.1em;
    }
    </style>
""", unsafe_allow_html=True)

sample_prompt = """
Vous êtes un professionnel de santé, expert dans l'analyse des images médicales (échographie, radiographie standard, TDM, IRM, ...), travaillant pour un hôpital de renom. Votre tâche consiste à examiner des images médicales afin d'identifier les anomalies, maladies ou problèmes de santé éventuels. Vous devez fournir des résultats détaillés, incluant toutes vos observations, les prochaines étapes, ainsi que des recommandations. 
Votre analyse reste dans le cadre éducatif d'étudiants en radiologie médicale et ne sera en aucun cas publique. L'objectif est d'initier ces étudiants à l'interpretation des clichés radiologique.
**Instructions :**
1. Analysez uniquement les images liées au corps humain et aux problèmes de santé.
2. Rédigez votre réponse de manière structurée, détaillant :
   - Les anomalies identifiées (le cas échéant).
   - Les pathologies suspectées ou confirmées.
   - Les recommandations et étapes suivantes.
3. Si certains éléments ne sont pas clairs sur l'image, indiquez : *"Impossible de déterminer à partir de l'image fournie."*
4. Terminez toujours votre réponse par une mention : *"Consultez un médecin avant de prendre toute décision."*
"""

# Initialisation des variables d'état
if 'uploaded_file' not in st.session_state:
    st.session_state.uploaded_file = None
if 'result' not in st.session_state:
    st.session_state.result = None
if 'clinical_info' not in st.session_state:
    st.session_state.clinical_info = ""  # Pour stocker les renseignements cliniques



def encode_image(image_path):
    with open(image_path, "rb") as image_file:
        return base64.b64encode(image_file.read()).decode("utf-8")


def call_groq_model_for_analysis(filename: str, clinical_info: str, sample_prompt=sample_prompt):
    # Récupérer l'extension du fichier pour définir le media_type
    file_extension = os.path.splitext(filename)[1].lower()  # Obtenir l'extension en minuscule
    if file_extension == ".jpg" or file_extension == ".jpeg":
        media_type = "image/jpeg"
    elif file_extension == ".png":
        media_type = "image/png"
    else:
        raise ValueError("Format de fichier non pris en charge.")
    base64_image = encode_image(filename)
    # Ajouter les renseignements cliniques au prompt
    full_prompt = sample_prompt + f"\n\n**Renseignements cliniques du patient :** {clinical_info}\n"


    

    messages_list=[
        {
            "role": "user",
            "content": [
                {
                    "type": "text",
                    "text": full_prompt,
                },
                {
                    "type": "image_url",
                    "image_url": {"url": f"data:{media_type};base64,{base64_image}"},
                },
            ],
        }
    ]

    response = client.chat.completions.create(
    model="google/gemini-2.0-flash-lite-001", #"grok-2-vision-1212",
    temperature=0.8,
    messages=messages_list,
    )

    return response.choices[0].message.content


def chat_eli(query):
    eli5_prompt = "Tu dois expliquer l'information ci-dessous à un enfant de cinq ans. \n" + query
    messages = [
        {
            "role": "user",
            "content": eli5_prompt
        }
    ]

    """response = client.messages.create(
    model="claude-3-5-sonnet-20241022",
    max_tokens=1024,
    messages=messages
    )"""

    completion = client.chat.completions.create(
    model="google/gemini-2.0-flash-lite-001", #"grok-2-latest",
    messages=messages
    )

    return completion.choices[0].message.content


# Titre de l'application
st.title("🩺 **Le Radiologue Virtuel**")
st.subheader("Une IA avancée pour l'analyse des images médicales")

with st.expander("📖 A-Propos de cette Application"):
    st.markdown("""
        **Bienvenue sur LE RADIOLOGUE VIRTUEL**, votre assistant intelligent conçu pour fournir une analyse approfondie et précise des images médicales.  

        ### Fonctionnalités principales :
        - **Analyse d'images médicales** : Téléchargez des clichés d'échographie, de radiographie, d'IRM ou de TDM, et laissez l'IA détecter les anomalies et fournir des recommandations détaillées.  
        - **Explications simplifiées** : Grâce à la fonction ELI5, comprenez les résultats complexes sous une forme adaptée à un public non expert.  
        - **Traitement d'image avancé** : Explorez l'image téléchargée avec des outils comme l'inversion pour une visualisation plus claire.  

        ### Cas d'utilisation :
        - **Éducation médicale** : Destiné aux étudiants en radiologie, cet outil aide à se familiariser avec l'interprétation des images diagnostiques.  
        - **Support clinique** : Bien que non conçu pour remplacer un professionnel de santé, cet assistant peut fournir des indications utiles pour guider les analyses.  
        - **Recherche et apprentissage** : Une plateforme idéale pour expérimenter et apprendre l'impact de l'IA dans le domaine médical.  

        ### Technologie utilisée :
        - **Modèle d'IA puissant** : L'IA utilise la technologie avancée de Llama 3.2 90B Vision, spécialisée dans l'analyse d'images complexes.  
        - **Interaction intuitive** : Développé avec Python et Streamlit pour une interface simple et conviviale.  
        - **Sécurité et confidentialité** : Toutes les analyses sont effectuées localement ou sur des serveurs sécurisés, garantissant la confidentialité des données médicales.

        **⚠️ Avertissement** :
        - Cet assistant n'est pas un outil médical certifié et ne remplace en aucun cas l'avis d'un médecin ou d'un spécialiste. Il est destiné à des fins éducatives et de support. Consultez toujours un professionnel de santé pour un diagnostic ou une décision médicale.  
    """)

# Champ d'entrée pour les renseignements cliniques
clinical_info = st.text_area(
    "Renseignements cliniques du patient (facultatif)",
    placeholder="Exemple : Patient présentant une douleur thoracique depuis 3 jours."
)

# Stocker les renseignements cliniques dans la session
st.session_state['clinical_info'] = clinical_info

# Téléchargement de l'image
st.markdown("### 📂 Téléchargez une image médicale")
uploaded_file = st.file_uploader("Formats acceptés : JPG, JPEG, PNG", type=["jpg", "jpeg", "png"])

# Gestion temporaire des fichiers
if uploaded_file is not None:
    with tempfile.NamedTemporaryFile(delete=False, suffix=os.path.splitext(uploaded_file.name)[1]) as tmp_file:
        tmp_file.write(uploaded_file.getvalue())
        st.session_state['filename'] = tmp_file.name

    st.image(uploaded_file, caption='Image Téléchargée')

    # Charger l'image avec PIL
    image = Image.open(uploaded_file)

    # Ajouter un bouton pour afficher l'image en négatif
    st.markdown("### 🔍 Explorez l'image")
    col1, col2, col3 = st.columns([1, 2, 1])  # colonnes avec différentes proportions
    col1.write("")  # Espace dans la première colonne
    col3.write("")  # Espace dans la troisième colonne
    col1.write("")  # Espace dans la première colonne
    col3.write("")  # Espace dans la troisième colonne
    if st.button("Afficher l'image en négatif"):
        # Créer une version négative de l'image
        negative_image = ImageOps.invert(image.convert("RGB"))  # Convertir en RGB avant inversion

        # Afficher l'image en négatif
        st.subheader("Image en négatif :")
        st.image(negative_image, caption="Image en négatif")
    col1, col2, col3 = st.columns([1, 2, 1])  # colonnes avec différentes proportions
    col1.write("")  # Espace dans la première colonne
    col3.write("")  # Espace dans la troisième colonne
    col1.write("")  # Espace dans la première colonne
    col3.write("")  # Espace dans la troisième colonne

   # Bouton pour analyser l'image
    if st.button("Analyse l'Image"):
        if 'filename' in st.session_state and os.path.exists(st.session_state['filename']):
            with st.spinner("Analyse en cours... Veuillez patienter."):
                # Appel au modèle Groq pour l'analyse
                st.session_state['result'] = call_groq_model_for_analysis(
                    st.session_state['filename'],
                    st.session_state['clinical_info']
                )
                
                st.success("Analyse terminée avec succès !")
    
                # Effet de streaming pour afficher le résultat
                result_text = st.session_state['result']
                streamed_text = ""
    
                # Vérification pour éviter les problèmes avec st.empty()
                container = st.empty()
                if container is not None:
                    for char in result_text:  # Parcourir caractère par caractère
                        streamed_text += char
                        time.sleep(0.05)  # Simuler le délai
                        container.markdown(streamed_text, unsafe_allow_html=True)
                else:
                    st.error("Erreur lors de la création du conteneur d'affichage.")
    
                # Supprimer le fichier temporaire après le traitement
                os.unlink(st.session_state['filename'])


    # ELI5 Explanation
    # Explication simplifiée
    st.markdown("### 🤓 Explication Simplifiée")
    if 'result' in st.session_state and st.session_state['result']:
        st.info("Ci-dessous, vous avez une option pour ELI5 afin de comprendre en termes simples.")
        if st.radio("ELI5 - Explique-moi comme si j'avais 5 ans", ('NON', 'OUI')) == 'OUI':
            st.markdown("_Voici une explication simplifiée pour les non-initiés._")
            simplified_explanation = chat_eli(st.session_state['result'])
            st.markdown(simplified_explanation, unsafe_allow_html=True)

# Pied de page
st.markdown("""
    <hr>
    <footer style="text-align: center; font-size: 0.9em;">
        © 2024 - Le Radiologue Virtuel | Propulsé par M. ADJOUMANI
    </footer>
""", unsafe_allow_html=True)