app.py

import streamlit as st
#from streamlit_image_zoom import image_zoom  # Importación de la biblioteca para el zoom
import base64
import os
from dotenv import load_dotenv
from anthropic import Anthropic
from openai import OpenAI
from PIL import Image, ImageOps
import tempfile

load_dotenv()

api_key = os.environ.get("OPENROUTERAI_API_KEY")

client = OpenAI(
    base_url="https://openrouter.ai/api/v1",
    api_key=api_key, #os.environ.get("")
)
#client = Anthropic()
MODEL_NAME = "google/gemini-2.0-flash-lite-001" #"claude-3-opus-20240229"
# Definir el estilo global
st.set_page_config(
    page_title="El Radiólogo Virtual",
    page_icon="🩺",
    layout="centered",
)

# CSS personalizado para estilizar la interfaz
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 = """
Usted es un profesional de la salud, experto en el análisis de imágenes médicas (ecografía, radiografía estándar, TC, RM, ...), que trabaja para un hospital de renombre. Su tarea consiste en examinar imágenes médicas para identificar posibles anomalías, enfermedades o problemas de salud. Debe proporcionar resultados detallados, incluyendo todas sus observaciones, los próximos pasos, así como recomendaciones. 
Su análisis se mantiene dentro del marco educativo de los estudiantes de radiología médica y no será público en ningún caso. El objetivo es iniciar a estos estudiantes en la interpretación de imágenes radiológicas.
**Instrucciones:**
1. Analice únicamente las imágenes relacionadas con el cuerpo humano y los problemas de salud.
2. Redacte su respuesta de manera estructurada, detallando:
   - Las anomalías identificadas (si las hay).
   - Las patologías sospechadas o confirmadas.
   - Las recomendaciones y próximos pasos.
3. Si algunos elementos no están claros en la imagen, indique: *"Imposible determinar a partir de la imagen proporcionada."*
4. Termine siempre su respuesta con la mención: *"Consulte a un médico antes de tomar cualquier decisión."*
"""

# Inicialización de las variables de estado
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 = ""  # Para almacenar la información clínica


def encode_image(image_path):
    with open(image_path, "rb") as image_file:
        binary_data = image_file.read()
        base_64_encoded_data = base64.b64encode(binary_data)
        base64_string = base_64_encoded_data.decode('utf-8')
        return base64_string


def call_groq_model_for_analysis(filename: str, clinical_info: str, sample_prompt=sample_prompt):
    # Obtener la extensión del archivo para definir el media_type
    file_extension = os.path.splitext(filename)[1].lower()  # Obtener la extensión en minúscula
    if file_extension == ".jpg" or file_extension == ".jpeg":
        media_type = "image/jpeg"
    elif file_extension == ".png":
        media_type = "image/png"
    else:
        raise ValueError("Formato de archivo no soportado.")
    base64_image = encode_image(filename)
    # Añadir la información clínica al prompt
    full_prompt = sample_prompt + f"\n\n**Información clínica del paciente:** {clinical_info}\n"

    
    message_list=[
        {
            "role": "user",
            "content": [
                {
                    "type": "text",
                    "text": full_prompt,
                },
                {
                    "type": "image_url",
                    "image_url": {"url": f"data:{media_type};base64,{base64_image}"},
                },
            ],
        }
    ]
    
    
    #message_list = [
    #    {
    #        "role": 'user',
    #        "content": [
    #            {"type": "image", "source": {"type": "base64", "media_type": media_type, "data": base64_image}},
    #            {"type": "text", "text": full_prompt}
    #        ]
    #    }
    #]

    #response = client.messages.create(
    #model=MODEL_NAME,
    #max_tokens=2048,
    #messages=message_list
#)

    #print(response.content[0].text)
    #return response.content[0].text
    response = client.chat.completions.create(
        model=MODEL_NAME,
        max_tokens=2048,
        messages=message_list
    )
    return response.choices[0].message.content


def chat_eli(query):
    eli5_prompt = "Debes explicar la información a continuación a un niño de cinco años. \n" + query
    messages = [
        {
            "role": "user",
            "content": eli5_prompt
        }
    ]

    #response = client.messages.create(
    #model="claude-3-5-sonnet-20241022",
    #max_tokens=1024,
    #messages=messages
#)
    #return response.content[0].text
    
    completion = client.chat.completions.create(
    model="google/gemini-2.0-flash-lite-001", 
    messages=messages
    )

    return completion.choices[0].message.content

    


# Título de la aplicación
st.title("🩺 **El Radiólogo Virtual**")
st.subheader("Una IA avanzada para el análisis de imágenes médicas")

with st.expander("📖 Acerca de esta Aplicación"):
    st.markdown("""
        **Bienvenido a EL RADIÓLOGO VIRTUAL**, su asistente inteligente diseñado para proporcionar un análisis profundo y preciso de imágenes médicas.  

        ### Funcionalidades principales:
        - **Análisis de imágenes médicas**: Suba imágenes de ecografía, radiografía, RM o TC, y deje que la IA detecte anomalías y proporcione recomendaciones detalladas.  
        - **Explicaciones simplificadas**: Gracias a la función ELI5, comprenda los resultados complejos en una forma adaptada para un público no experto.  
        - **Procesamiento avanzado de imágenes**: Explore la imagen subida con herramientas como la inversión para una visualización más clara.  

        ### Casos de uso:
        - **Educación médica**: Destinado a estudiantes de radiología, esta herramienta ayuda a familiarizarse con la interpretación de imágenes diagnósticas.  
        - **Soporte clínico**: Aunque no está diseñado para reemplazar a un profesional de la salud, este asistente puede proporcionar indicaciones útiles para guiar los análisis.  
        - **Investigación y aprendizaje**: Una plataforma ideal para experimentar y aprender el impacto de la IA en el campo médico.  

        ### Tecnología utilizada:
        - **Modelo de IA potente**: La IA utiliza la tecnología avanzada de Llama 3.2 90B Vision, especializada en el análisis de imágenes complejas.  
        - **Interacción intuitiva**: Desarrollado con Python y Streamlit para una interfaz simple y amigable.  
       

        **⚠️ Advertencia**:
        - Este asistente no es una herramienta médica certificada y no reemplaza en ningún caso la opinión de un médico o especialista. Está destinado a fines educativos y de soporte. Consulte siempre a un profesional de la salud para un diagnóstico o decisión médica.  
    """)

# Campo de entrada para la información clínica
clinical_info = st.text_area(
    "Información clínica del paciente (opcional)",
    placeholder="Ejemplo: Paciente con dolor torácico desde hace 3 días."
)

# Almacenar la información clínica en la sesión
st.session_state['clinical_info'] = clinical_info

# Carga de la imagen
st.markdown("### 📂 Suba una imagen médica")
uploaded_file = st.file_uploader("Formatos aceptados: JPG, JPEG, PNG", type=["jpg", "jpeg", "png"])

# Gestión temporal de archivos
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='Imagen Subida')

    # Cargar la imagen con PIL
    image = Image.open(uploaded_file)

    # Añadir un botón para mostrar la imagen en negativo
    st.markdown("### 🔍 Explore la imagen")
    col1, col2, col3 = st.columns([1, 2, 1])  # columnas con diferentes proporciones
    col1.write("")  # Espacio en la primera columna
    col3.write("")  # Espacio en la tercera columna
    col1.write("")  # Espacio en la primera columna
    col3.write("")  # Espacio en la tercera columna
    if st.button("Mostrar la imagen en negativo"):
        # Crear una versión negativa de la imagen
        negative_image = ImageOps.invert(image.convert("RGB"))  # Convertir a RGB antes de invertir

        # Mostrar la imagen en negativo
        st.subheader("Imagen en negativo:")
        st.image(negative_image, caption="Imagen en negativo")
    col1, col2, col3 = st.columns([1, 2, 1])  # columnas con diferentes proporciones
    col1.write("")  # Espacio en la primera columna
    col3.write("")  # Espacio en la tercera columna
    col1.write("")  # Espacio en la primera columna
    col3.write("")  # Espacio en la tercera columna

    # Botón para analizar la imagen
    if st.button("Analizar la Imagen"):
        if 'filename' in st.session_state and os.path.exists(st.session_state['filename']):
            with st.spinner("Análisis en curso... Por favor, espere."):
                st.session_state['result'] = call_groq_model_for_analysis(
                    st.session_state['filename'],
                    st.session_state['clinical_info']
                )
                st.success("Análisis completado con éxito!")
                st.markdown(st.session_state['result'], unsafe_allow_html=True)
                os.unlink(st.session_state['filename'])  # Eliminar el archivo temporal después del procesamiento

    # Explicación simplificada
    st.markdown("### 🤓 Explicación Simplificada")
    if 'result' in st.session_state and st.session_state['result']:
        st.info("A continuación, tiene una opción para ELI5 para entender en términos simples.")
        if st.radio("ELI5 - Explícame como si tuviera 5 años", ('NO', 'SI')) == 'SI':
            st.markdown("_Aquí tiene una explicación simplificada para los no iniciados._")
            simplified_explanation = chat_eli(st.session_state['result'])
            st.markdown(simplified_explanation, unsafe_allow_html=True)

# Pie de página
st.markdown("""
    <hr>
    <footer style="text-align: center; font-size: 0.9em;">
        © 2025 - El Radiólogo Virtual | Por M. ADJOUMANI
    </footer>
""", unsafe_allow_html=True)