medvision-framework 0.1.0

Sistema Multimodal Inteligente para Análise Automatizada de Exames de Imagem com Interface Conversacional

🏥 MedVision Framework

Sistema Multimodal Inteligente para Análise Automatizada de Exames de Imagem

Features • Instalação • Quickstart • Documentação • Exemplos

---

📋 Sobre

MedVision Framework é uma biblioteca Python de última geração para análise automatizada de imagens médicas, combinando modelos de visão computacional do HuggingFace com inteligência conversacional através da API Groq. Desenvolvido para pesquisadores, médicos e desenvolvedores que precisam de análise médica assistida por IA de forma rápida e confiável.

🎯 Diferenciais

• 🤖 Modelos State-of-the-Art: Integração nativa com HuggingFace Transformers Hub
• 💬 IA Conversacional: Agente inteligente para discussão de diagnósticos e educação médica
• 🎨 Interface Web Moderna: Interface Gradio profissional pronta para produção
• 🔌 Arquitetura Plugável: Sistema de plugins extensível para diferentes especialidades médicas
• 📊 Análise Multimodal: Suporte para múltiplos formatos de imagem médica (DICOM, PNG, JPG, etc.)
• ⚡ Alta Performance: Otimizado com PyTorch para inferência rápida
• 📦 Pronto para Produção: API REST, CLI e interface web incluídas

---

✨ Features

🔬 Análise de Imagens

• ✅ Dermatologia: Classificação de lesões de pele usando DINOv2 fine-tuned
• 🔜 Radiologia: Análise de raios-X de tórax (em breve)
• 🔜 Patologia: Análise histopatológica (em breve)
• 🔜 Oftalmologia: Detecção de retinopatia diabética (em breve)

💡 Funcionalidades

• Análise em Batch: Processe múltiplas imagens simultaneamente
• Confidence Scoring: Scores de confiança para cada predição
• Explicabilidade: Visualização de regiões de interesse (atenção do modelo)
• Base de Conhecimento: Informações detalhadas sobre doenças e condições
• Chat Médico: Converse com IA sobre diagnósticos e tratamentos
• Export de Resultados: JSON, CSV, PDF com relatórios detalhados

---

🚀 Instalação

Via pip (Recomendado)

pip install medvision-framework

Instalação Local (Desenvolvimento)

# Clone o repositório
git clone https://github.com/seu-usuario/MedVision.git
cd MedVision

# Crie ambiente virtual
python -m venv venv
source venv/bin/activate  # Linux/Mac
# ou
venv\Scripts\activate  # Windows

# Instale dependências
pip install -r requirements.txt

# Instale em modo desenvolvimento
pip install -e .

🔑 Configuração

O MedVision requer uma chave API do Groq para funcionalidades conversacionais:

# Configure a variável de ambiente
export GROQ_API_KEY="sua-chave-aqui"

# Ou crie um arquivo .env
echo "GROQ_API_KEY=sua-chave-aqui" > .env

Obtenha sua chave gratuita em: https://console.groq.com

---

⚡ Quickstart

1️⃣ Uso Programático

from medvision import MedVisionFramework

# Inicialize o framework
framework = MedVisionFramework(groq_api_key="sua-chave")

# Analise uma imagem
result = framework.analyze(
    image_path="skin_lesion.jpg",
    analyzer_name="dermatology",
    top_k=3
)

# Visualize resultados
print(f"Diagnóstico: {result['primary_diagnosis']}")
print(f"Confiança: {result['confidence']:.2%}")
print(f"Diagnósticos alternativos: {result['alternative_diagnoses']}")

2️⃣ Interface Web (Gradio)

from medvision import launch_app

# Lança interface web em localhost:7860
launch_app(
    groq_api_key="sua-chave",
    share=False,  # True para criar link público
    server_port=7860
)

Ou use o launcher pronto:

python examples/launch_gradio_app.py

3️⃣ API REST (FastAPI)

# Inicie o servidor (em breve)
medvision serve --port 8000 --groq-key sua-chave

---

📚 Documentação

Estrutura do Resultado

{
    "primary_diagnosis": str,          # Diagnóstico principal
    "confidence": float,               # Confiança (0-1)
    "alternative_diagnoses": [         # Diagnósticos alternativos
        {
            "label": str,
            "confidence": float,
            "description": str
        }
    ],
    "attention_map": numpy.ndarray,    # Mapa de atenção do modelo
    "metadata": {
        "model": str,                  # Modelo utilizado
        "analyzer": str,               # Analisador usado
        "timestamp": str,              # Timestamp da análise
        "processing_time": float       # Tempo de processamento (s)
    }
}

Plugins Disponíveis

🩺 Dermatology Analyzer

from medvision.plugins import DermatologyAnalyzer

analyzer = DermatologyAnalyzer()
result = analyzer.analyze("skin_image.jpg", top_k=5)

Doenças Detectadas:

• Melanoma
• Carcinoma Basocelular
• Carcinoma Espinocelular
• Queratose Actínica
• Nevus Benigno
• E mais...

Modelo Base: DINOv2 (facebook/dinov2-base) fine-tuned em HAM10000 dataset

---

🎨 Interface Gradio

A interface web do MedVision oferece 4 módulos principais:

📸 Análise de Imagem

• Upload de imagens médicas
• Seleção de analisador especializado
• Visualização de resultados com mapas de atenção
• Exportação de relatórios

💬 Chat Médico

• Conversação natural sobre diagnósticos
• Perguntas sobre sintomas e tratamentos
• Histórico de conversação persistente
• Respostas baseadas em guidelines médicos

📖 Base de Conhecimento

• Informações detalhadas sobre doenças
• Sintomas, causas, tratamentos
• Recomendações baseadas em evidências
• Referências bibliográficas

ℹ️ Sobre

• Documentação completa
• Guias de uso
• Informações sobre modelos

---

🔧 Exemplos Avançados

Análise em Batch

from medvision import MedVisionFramework
from pathlib import Path

framework = MedVisionFramework(groq_api_key="sua-chave")

# Processar múltiplas imagens
image_dir = Path("./medical_images")
results = []

for image_path in image_dir.glob("*.jpg"):
    result = framework.analyze(
        image_path=str(image_path),
        analyzer_name="dermatology"
    )
    results.append(result)

# Salvar resultados
import json
with open("batch_results.json", "w") as f:
    json.dump(results, f, indent=2)

Chat Contextual

# Inicialize com contexto de análise
result = framework.analyze("lesion.jpg", "dermatology")

# Use o chat para discutir o resultado
response = framework.chat(
    f"Explique o diagnóstico de {result['primary_diagnosis']} "
    f"com confiança de {result['confidence']:.1%}"
)
print(response)

# Continue a conversa
response = framework.chat(
    "Quais são as opções de tratamento disponíveis?"
)
print(response)

Criando um Plugin Customizado

from medvision import BaseAnalyzer, registry
from transformers import AutoModel, AutoImageProcessor

class MyCustomAnalyzer(BaseAnalyzer):
    """Analisador customizado para sua especialidade."""

    def load_model(self):
        self.model = AutoModel.from_pretrained("seu-modelo")
        self.processor = AutoImageProcessor.from_pretrained("seu-modelo")

    def analyze(self, image_path: str, top_k: int = 3):
        # Sua lógica de análise aqui
        ...
        return {
            "primary_diagnosis": diagnosis,
            "confidence": confidence,
            "alternative_diagnoses": alternatives
        }

# Registre seu plugin
registry.register("my_specialty", MyCustomAnalyzer)

# Use normalmente
framework = MedVisionFramework()
result = framework.analyze("image.jpg", "my_specialty")

---

🏗️ Arquitetura

medvision/
├── core/                    # Componentes centrais
│   ├── base_analyzer.py    # Classe base para analisadores
│   ├── model_registry.py   # Sistema de registro de plugins
│   └── exceptions.py       # Exceções customizadas
├── plugins/                 # Analisadores especializados
│   ├── dermatology.py      # Análise dermatológica
│   └── ...                 # Outros plugins
├── chat/                    # Sistema conversacional
│   └── conversational_agent.py
├── ui/                      # Interfaces de usuário
│   └── gradio_interface.py # Interface Gradio
├── api/                     # API REST (em breve)
├── cli/                     # Interface linha de comando (em breve)
└── framework.py            # Classe principal

Fluxo de Análise

graph LR
    A[Imagem] --> B[Framework]
    B --> C[Registry]
    C --> D[Plugin Específico]
    D --> E[Modelo HuggingFace]
    E --> F[Predições]
    F --> G[Pós-processamento]
    G --> H[Resultado Final]
    H --> I[Chat/UI/API]

---

📊 Performance

Operação	Tempo Médio	GPU	CPU
Análise Dermatologia	2.3s	RTX 3080	Intel i7
Inferência do Modelo	1.1s	RTX 3080	Intel i7
Chat Response	0.8s	N/A	Intel i7
Batch (10 imgs)	15s	RTX 3080	Intel i7

---

🛣️ Roadmap

v0.2.0 (Q1 2025)

• Plugin de Radiologia (X-Ray Analysis)
• API REST completa com FastAPI
• CLI interativa
• Suporte a DICOM avançado

v0.3.0 (Q2 2025)

• Plugin de Patologia (Histologia)
• Detecção de múltiplas lesões em uma imagem
• Fine-tuning automático de modelos
• Dashboard analytics

v1.0.0 (Q3 2025)

• Sistema de autenticação e autorização
• Integração com PACS
• Suporte multi-idioma
• Certificação regulatória

---

🤝 Contribuindo

Contribuições são bem-vindas! Por favor:

1. Fork o projeto
2. Crie uma branch para sua feature (git checkout -b feature/MinhaFeature)
3. Commit suas mudanças (git commit -m 'Adiciona MinhaFeature')
4. Push para a branch (git push origin feature/MinhaFeature)
5. Abra um Pull Request

Guidelines

• Siga o estilo de código PEP 8
• Adicione testes para novas funcionalidades
• Atualize a documentação
• Mantenha compatibilidade com Python 3.9+

---

📄 Licença

Este projeto está licenciado sob a Licença MIT - veja o arquivo LICENSE para detalhes.

---

⚠️ Disclaimer Médico

IMPORTANTE: Este framework é uma ferramenta de auxílio à pesquisa e educação médica. NÃO substitui o julgamento clínico profissional. Sempre consulte profissionais de saúde qualificados para diagnósticos e tratamentos médicos. Os resultados devem ser validados por especialistas antes de qualquer decisão clínica.

---

📞 Suporte e Contato

• Issues: GitHub Issues
• Discussões: GitHub Discussions
• Email: [e-mail]
• Documentação: docs.medvision.dev

---

🙏 Agradecimentos

• HuggingFace pela infraestrutura de modelos
• Groq pela API de IA conversacional
• Gradio pela framework de UI
• PyTorch pelo framework de deep learning
• Comunidade open-source de ML médico

---

Desenvolvido com ❤️ para a comunidade médica e de pesquisa

⭐ Se este projeto foi útil, considere dar uma estrela!

⬆ Voltar ao topo