Spaces:
Sleeping
Sleeping
File size: 4,861 Bytes
32802b5 dd5582f 32802b5 dd5582f 32802b5 dd5582f dd93648 32802b5 dd93648 32802b5 09461d3 32802b5 09461d3 32802b5 09461d3 32802b5 dd93648 32802b5 09461d3 32802b5 09461d3 dd5582f 32802b5 dd5582f 32802b5 dd5582f |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 |
from transformers import AutoModelForCausalLM, AutoTokenizer
import torch
import gradio as gr
from Bio import Entrez
import requests
from functools import lru_cache
import logging
# Configurar logging
logging.basicConfig(level=logging.INFO)
# Cargar un modelo de lenguaje médico más pequeño (optimizado para CPU)
model_name = "microsoft/BioGPT"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(model_name).to("cpu") # Usar CPU
# Configurar PubMed
Entrez.email = "[email protected]" # Proporciona un correo válido
# Función para buscar en PubMed con caché
@lru_cache(maxsize=100)
def buscar_en_pubmed(pregunta):
try:
handle = Entrez.esearch(db="pubmed", term=pregunta, retmax=1) # Buscar solo 1 artículo
record = Entrez.read(handle)
handle.close()
if record["IdList"]:
referencias = []
for id_articulo in record["IdList"]:
handle = Entrez.efetch(db="pubmed", id=id_articulo, rettype="abstract", retmode="text")
resumen = handle.read()
referencias.append(f"Artículo {id_articulo}:\n{resumen[:300]}...\n") # Limitar a 300 caracteres
handle.close()
return "\n".join(referencias)
else:
return "No encontré artículos relevantes en PubMed."
except Exception as e:
logging.error(f"Error al buscar en PubMed: {e}")
return "Error al buscar en PubMed. Inténtalo de nuevo."
# Función para buscar en Internet con tiempo de espera
def buscar_en_internet(pregunta):
try:
url = f"https://api.duckduckgo.com/?q={pregunta}&format=json"
respuesta = requests.get(url, timeout=10) # Incrementa el tiempo de espera a 10 segundos
datos = respuesta.json()
if "Abstract" in datos and datos["Abstract"]:
return datos["Abstract"][:200] # Limitar a 200 caracteres
else:
return "No encontré información en Internet."
except Exception as e:
logging.error(f"Error al buscar en Internet: {e}")
return "Error al buscar en Internet. Inténtalo de nuevo."
# Función para generar respuestas del modelo (optimizada para CPU)
def generar_respuesta(pregunta):
try:
inputs = tokenizer(
f"Eres un profesor médico con vasto conocimiento en fisiología, bioquímica, farmacología y otras áreas médicas. "
f"Explica de manera clara, sencilla y didáctica. Utiliza términos médicos y explícalos dentro de tus respuestas. "
f"Si no estás seguro de algo, di 'No tengo suficiente información para responder a eso'. Pregunta: {pregunta}",
return_tensors="pt"
).to("cpu")
with torch.no_grad():
outputs = model.generate(**inputs, max_length=100) # Reducir max_length para mayor velocidad
return tokenizer.decode(outputs[0], skip_special_tokens=True)
except Exception as e:
logging.error(f"Error al generar respuesta del modelo: {e}")
return "No pude generar una respuesta. Inténtalo de nuevo."
# Función principal para hacer preguntas al bot
def pregunta_medica_con_carga(pregunta):
try:
# Validar la entrada
if not isinstance(pregunta, str) or not pregunta.strip():
yield "Por favor, ingresa una pregunta válida."
return
yield "Procesando tu pregunta..." # Mensaje de carga
# Respuesta del modelo médico
respuesta_modelo = generar_respuesta(pregunta)
# Buscar en PubMed
referencias_pubmed = buscar_en_pubmed(pregunta)
# Buscar en Internet
respuesta_internet = buscar_en_internet(pregunta)
# Combinar respuestas
respuesta_final = (
f"Respuesta del Profesor Médico:\n{respuesta_modelo}\n\n"
f"Referencias de PubMed:\n{referencias_pubmed}\n\n"
f"Información de Internet:\n{respuesta_internet}"
)
yield respuesta_final
except Exception as e:
logging.error(f"Error inesperado: {e}")
yield "Lo siento, ocurrió un error al procesar tu pregunta. Por favor, inténtalo de nuevo más tarde."
# Crear la interfaz web con Gradio
css = """
.gradio-container {
background-color: #f0f8ff;
}
"""
interfaz = gr.Interface(
fn=pregunta_medica_con_carga,
inputs=gr.Textbox(label="Pregunta"),
outputs=gr.Textbox(label="Respuesta"),
title="Profesor Médico Bot",
description="Pregúntale al Profesor Médico sobre medicina. Te explicará de manera clara y didáctica.",
css=css
)
# Lanzar la interfaz
interfaz.launch() |