Spaces:
Runtime error
Runtime error
| import gradio as gr | |
| import numpy as np | |
| from PIL import Image | |
| import tensorflow as tf | |
| import pickle | |
| # Carregar modelos | |
| def load_models(): | |
| global pneumonia_model, malaria_model, diabetes_model | |
| pneumonia_model = tf.keras.models.load_model("pneumonia.h5") | |
| malaria_model = tf.keras.models.load_model("malaria.h5") | |
| with open('diabetes_model.sav', 'rb') as file: | |
| diabetes_model = pickle.load(file) | |
| # Função de previsão de pneumonia | |
| def predict_pneumonia(img): | |
| img = Image.fromarray(np.uint8(img)) | |
| img = img.convert('L') | |
| img = img.resize((36,36)) | |
| img = np.asarray(img) | |
| img = img.reshape((1,36,36,1)) | |
| img = img / 255.0 | |
| pred_probs = pneumonia_model.predict(img)[0] | |
| pred_class = np.argmax(pred_probs) | |
| pred_prob = pred_probs[pred_class] | |
| if pred_class == 1: | |
| pred_label = "Pneumonia" | |
| else: | |
| pred_label = "Saudável" | |
| return pred_label, pred_prob | |
| # Função de previsão de malária | |
| def predict_malaria(img): | |
| img = Image.fromarray(np.uint8(img)) | |
| img = img.resize((36,36)) | |
| img = np.asarray(img) | |
| img = img.reshape((1,36,36,3)) | |
| img = img.astype(np.float64) | |
| pred_probs = malaria_model.predict(img)[0] | |
| pred_class = np.argmax(pred_probs) | |
| pred_prob = pred_probs[pred_class] | |
| if pred_class == 1: | |
| pred_label = "Infectado" | |
| else: | |
| pred_label = "Não está infectado" | |
| return pred_label, pred_prob | |
| # Função de previsão de diabetes | |
| def predict_diabetes(Pregnancies, Glucose, BloodPressure, SkinThickness, Insulin, BMI, DiabetesPedigreeFunction, Age): | |
| user_input = [Pregnancies, Glucose, BloodPressure, SkinThickness, Insulin, BMI, DiabetesPedigreeFunction, Age] | |
| user_input = [float(x) for x in user_input] | |
| diab_prediction = diabetes_model.predict([user_input]) | |
| if diab_prediction[0] == 1: | |
| diab_diagnosis = 'A pessoa é diabética' | |
| else: | |
| diab_diagnosis = 'A pessoa não é diabética' | |
| return diab_diagnosis | |
| # Função para exibir a página de Datasets Disponíveis | |
| def display_datasets(): | |
| datasets = { | |
| "Dataset de Malária": "https://www.kaggle.com/datasets/iarunava/cell-images-for-detecting-malaria", | |
| "Dataset de Pneumonia": "https://www.kaggle.com/datasets/paultimothymooney/chest-xray-pneumonia", | |
| "Dataset de Doenças Cardíacas": "https://github.com/siddhardhan23/multiple-disease-prediction-streamlit-app/blob/main/dataset/heart.csv", | |
| "Dataset de Doenças Renais": "https://www.kaggle.com/datasets/mansoordaku/ckdisease", | |
| "Dataset de Diabetes": "https://github.com/siddhardhan23/multiple-disease-prediction-streamlit-app/blob/main/dataset/diabetes.csv", | |
| "Dataset de Doenças Hepáticas": "https://www.kaggle.com/datasets/uciml/indian-liver-patient-records", | |
| "Dataset de Câncer de Mama": "https://www.kaggle.com/datasets/uciml/breast-cancer-wisconsin-data" | |
| } | |
| markdown_content = "# Datasets Disponíveis\n\n" | |
| markdown_content += "Esta página contém links para download e visualização de datasets utilizados na aplicação.\n\n" | |
| for dataset_name, dataset_url in datasets.items(): | |
| markdown_content += f"**{dataset_name}:** [Download {dataset_name}]({dataset_url})\n\n" | |
| return markdown_content | |
| # Criar a interface Gradio com guias (Tabs) | |
| def create_interface(): | |
| with gr.Blocks() as tabbed_interface: | |
| with gr.Tab("Página Inicial"): | |
| gr.Markdown(""" | |
| # Bem-vindo à Aplicação de Previsão de Anomalias Médicas | |
| Este é um projeto de previsão de diversas anomalias médicas usando modelos de deep learning e machine learning. | |
| É importante observar que os modelos utilizados nesta aplicação foram obtidos de repositórios públicos na internet e, portanto, sua confiabilidade pode variar. | |
| Embora tenham sido treinados em grandes conjuntos de dados médicos, é fundamental lembrar que todas as previsões devem ser verificadas por profissionais de saúde qualificados. | |
| ## Perguntas Frequentes | |
| ### Como a previsão de anomalias é feita? | |
| A detecção de pneumonia e malária é feita usando uma rede neural convolucional (CNN), enquanto a seção de diabetes é detectada por um modelo Random Forest. | |
| ### Os modelos são precisos? | |
| Os modelos foram treinados em grandes conjuntos de dados médicos, mas lembre-se de que todas as previsões devem ser verificadas por profissionais de saúde qualificados. | |
| ### Qual é o propósito desta aplicação? | |
| Esta aplicação foi desenvolvida para auxiliar na detecção de diversas anomalias médicas em imagens de diferentes partes do corpo. | |
| ### Quais tipos de anomalias médicas podem ser detectadas? | |
| Os modelos podem detectar várias anomalias, incluindo pneumonia, malária e diabetes. | |
| """) | |
| with gr.Tab("Previsão de Pneumonia"): | |
| gr.Interface( | |
| fn=predict_pneumonia, | |
| inputs=gr.Image(type="pil", label="Imagem para Predição de Pneumonia"), | |
| outputs=[gr.Textbox(label="Diagnóstico"), gr.Textbox(label="Probabilidade")], | |
| title="Previsão de Pneumonia", | |
| description="Faça o upload de uma imagem para prever se há pneumonia." | |
| ) | |
| with gr.Tab("Previsão de Malária"): | |
| gr.Interface( | |
| fn=predict_malaria, | |
| inputs=gr.Image(type="pil", label="Imagem para Predição de Malária"), | |
| outputs=[gr.Textbox(label="Diagnóstico"), gr.Textbox(label="Probabilidade")], | |
| title="Previsão de Malária", | |
| description="Faça o upload de uma imagem para prever se há malária." | |
| ) | |
| with gr.Tab("Previsão de Diabetes"): | |
| gr.Interface( | |
| fn=predict_diabetes, | |
| inputs=[ | |
| gr.Textbox(label="Número de Gestações"), | |
| gr.Textbox(label="Nível de Glicose"), | |
| gr.Textbox(label="Valor da Pressão Arterial"), | |
| gr.Textbox(label="Valor da Espessura da Pele"), | |
| gr.Textbox(label="Nível de Insulina"), | |
| gr.Textbox(label="Valor do IMC"), | |
| gr.Textbox(label="Valor da Função de Pedigree de Diabetes"), | |
| gr.Textbox(label="Idade da Pessoa") | |
| ], | |
| outputs=gr.Textbox(label="Diagnóstico"), | |
| title="Previsão de Diabetes", | |
| description="Insira os dados do paciente para prever se ele tem diabetes." | |
| ) | |
| with gr.Tab("Datasets Disponíveis"): | |
| gr.Markdown(display_datasets()) | |
| return tabbed_interface | |
| # Inicializar modelos e criar interface | |
| load_models() | |
| app = create_interface() | |
| # Lançar a interface com guias | |
| app.launch() | |