Upload 4 files

Dockerfile

@@ -0,0 +1,24 @@
+FROM python:3.10-slim
+
+RUN apt-get update && apt-get install -y \
+    libgl1 \
+    libglib2.0-0 \
+    libsm6 \
+    libxext6 \
+    libxrender-dev \
+    && rm -rf /var/lib/apt/lists/*
+
+WORKDIR /app
+
+COPY requirements.txt .
+COPY main.py .
+COPY model_lung.py .
+
+RUN pip install --no-cache-dir -r requirements.txt
+
+RUN mkdir -p weights
+
+EXPOSE 7860
+
+CMD ["uvicorn", "main:app", "--host", "0.0.0.0", "--port", "7860"]
+

main.py

@@ -0,0 +1,1337 @@
+"""
+Medical AI FastAPI — 7 Models in One API
+==========================================
+Models:
+  1. Skin Cancer Classification      → /predict/skin
+  2. Breast Cancer Seg + Class       → /predict/breast
+  3. Eye Disease Classification      → /predict/eye
+  4. Brain Tumor Classification      → /predict/brain
+  5. Heart CT Segmentation           → /predict/heart
+  6. Lung/Chest X-Ray Classification → /predict/lung
+  7. Kidney Disease Classification   → /predict/kidney
+"""
+
+from fastapi import FastAPI, File, UploadFile, HTTPException, Form
+from fastapi.middleware.cors import CORSMiddleware
+from contextlib import asynccontextmanager
+import numpy as np
+from PIL import Image
+import io, os, logging
+import base64
+import matplotlib
+matplotlib.use("Agg")
+import matplotlib.pyplot as plt
+import matplotlib.cm as cm
+import google.generativeai as genai
+from typing import Optional
+
+# ── Gemini setup ──────────────────────────────────────────────────────────────
+GEMINI_API_KEY = os.getenv("GEMINI_API_KEY", "")
+if GEMINI_API_KEY:
+    genai.configure(api_key=GEMINI_API_KEY)
+
+GEMINI_MODEL = "gemini-1.5-flash"
+
+# نوع الصورة لكل موديل — بيساعد Gemini يفهم السياق
+MODEL_IMAGE_TYPE = {
+    "skin":   "صورة جلدية (ديرماتوسكوبي)",
+    "breast": "أشعة موجات فوق صوتية للثدي",
+    "eye":    "صورة قاع العين (فانداس)",
+    "brain":  "صورة رنين مغناطيسي للمخ",
+    "heart":  "أشعة مقطعية CT للصدر",
+    "lung":   "أشعة X-Ray للصدر",
+    "kidney": "أشعة مقطعية CT للكلى",
+}
+
+def generate_medical_report(
+    model_type: str,
+    predicted_class: str,
+    disease_name: str,
+    confidence: float,
+    age: Optional[int],
+    gender: Optional[str],
+    symptoms: Optional[str],
+    chronic_diseases: Optional[str],
+    medications: Optional[str],
+) -> str:
+    """
+    يبعت بيانات المريض والتشخيص لـ Gemini ويرجع تقرير طبي مخصص بالعربي.
+    لو Gemini مش متاح يرجع None وهنستخدم الـ recommendations الثابتة.
+    """
+    if not GEMINI_API_KEY:
+        return None
+
+    # تحديد مستوى الـ confidence بلغة مفهومة
+    if confidence >= 85:
+        confidence_note = "نتيجة ذات ثقة عالية"
+    elif confidence >= 65:
+        confidence_note = "نتيجة تحتاج تأكيداً من الطبيب"
+    else:
+        confidence_note = "نتيجة غير حاسمة — الفحص الطبي ضروري للتأكيد"
+
+    gender_ar = "ذكر" if gender and gender.lower() in ("male", "m", "ذكر") else "أنثى" if gender else "غير محدد"
+
+    patient_info = f"العمر: {age} سنة" if age else "العمر: غير محدد"
+    patient_info += f" | الجنس: {gender_ar}"
+    if symptoms:
+        patient_info += f" | الأعراض: {symptoms}"
+    if chronic_diseases:
+        patient_info += f" | الأمراض المزمنة: {chronic_diseases}"
+    if medications:
+        patient_info += f" | الأدوية الحالية: {medications}"
+
+    prompt = f"""أنت مساعد طبي متعاطف ومتوازن. مهمتك كتابة رسالة طبية قصيرة ومطمئنة بالعربي للمريض.
+
+[بيانات الحالة]
+- نوع الفحص: {MODEL_IMAGE_TYPE.get(model_type, model_type)}
+- نتيجة التحليل: {disease_name}
+- مستوى الثقة في النتيجة: {confidence:.1f}% ({confidence_note})
+- {patient_info}
+
+[قواعد صارمة لا تخالفها أبداً]
+- لا تذكر أرقام أو إحصائيات عن نسب الوفاة أو الانتشار
+- لا تجزم بالتشخيص النهائي — هذا حق الطبيب المختص فقط
+- لا تذكر أسماء أدوية أو جرعات أو بروتوكولات علاج بالتفصيل
+- لا تستخدم عبارات تخويف مثل: "قد يتطور إلى"، "في الحالات الشديدة"، "خطر الانتشار"
+- لا تكرر نسبة الـ confidence بالأرقام في التقرير
+- إذا كانت الثقة أقل من 65% ابدأ بجملة تؤكد ضرورة الفحص الطبي للتأكد
+- إذا كانت الحالة طبيعية (Normal / No Tumor) ركز على الطمأنينة والوقاية
+
+[تعليمات الأسلوب]
+- النبرة: دافئة، واضحة، غير مبالغة
+- الطول: 4 إلى 6 جمل فقط لا أكثر
+- اللغة: عربية فصحى مبسطة بدون مصطلحات طبية معقدة
+
+[هيكل التقرير]
+1. جملة افتتاحية مطمئنة تذكر فيها نتيجة الفحص بشكل محايد
+2. ملاحظة واحدة مخصصة لبيانات المريض (العمر أو الجنس أو الأعراض إذا كانت متوفرة)
+3. الخطوة العملية الواحدة القادمة (مراجعة طبيب — أيّ نوع)
+4. جملة ختامية داعمة ومشجعة
+
+اكتب التقرير مباشرة بدون عناوين أو نقاط أو مقدمات."""
+
+    try:
+        gemini = genai.GenerativeModel(GEMINI_MODEL)
+        response = gemini.generate_content(
+            prompt,
+            generation_config=genai.types.GenerationConfig(
+                temperature=0.4,   # منخفض عشان يكون consistent ومضبوط
+                max_output_tokens=350,
+            ),
+        )
+        return response.text.strip()
+    except Exception as e:
+        logger.warning(f"⚠️ Gemini report generation failed: {e}")
+        return None
+
+
+def _mask_to_base64(mask: np.ndarray, colormap: str = "plasma") -> str:
+    """Convert a 2-D float mask → PNG base64 string."""
+    import io
+    norm = (mask - mask.min()) / (mask.max() - mask.min() + 1e-8)
+    cmap = cm.get_cmap(colormap)
+    rgba = (cmap(norm) * 255).astype(np.uint8)
+    img  = Image.fromarray(rgba)
+    buf  = io.BytesIO()
+    img.save(buf, format="PNG")
+    return base64.b64encode(buf.getvalue()).decode("utf-8")
+
+
+def _overlay_to_base64(orig: Image.Image, mask: np.ndarray,
+                        size: tuple, alpha: float = 0.45) -> str:
+    """Blend original image with coloured mask → PNG base64 string."""
+    import io
+    img_rgb   = np.array(orig.convert("RGB").resize(size))
+    norm      = (mask - mask.min()) / (mask.max() - mask.min() + 1e-8)
+    cmap      = cm.get_cmap("plasma")
+    colored   = (cmap(norm)[:, :, :3] * 255).astype(np.uint8)
+    overlay   = (img_rgb * (1 - alpha) + colored * alpha).astype(np.uint8)
+    buf       = io.BytesIO()
+    Image.fromarray(overlay).save(buf, format="PNG")
+    return base64.b64encode(buf.getvalue()).decode("utf-8")
+
+
+
+logging.basicConfig(level=logging.INFO)
+logger = logging.getLogger(__name__)
+
+# ──────────────────────────────────────────────────────────────────────────────
+# Global model store
+# ──────────────────────────────────────────────────────────────────────────────
+MODELS: dict = {}
+
+
+def _build_skin_cnn():
+    """Custom CNN — same architecture used during skin cancer training (28x28x3, 8 classes)."""
+    import tensorflow as tf
+    from tensorflow.keras.regularizers import l2
+    model = tf.keras.Sequential([
+        tf.keras.layers.Conv2D(32, (3,3), activation='relu', padding='same',
+                               kernel_initializer='he_normal', kernel_regularizer=l2(0.01),
+                               input_shape=(28, 28, 3)),
+        tf.keras.layers.MaxPooling2D(),
+        tf.keras.layers.BatchNormalization(),
+        tf.keras.layers.Conv2D(64, (3,3), activation='relu', padding='same',
+                               kernel_initializer='he_normal', kernel_regularizer=l2(0.01)),
+        tf.keras.layers.MaxPooling2D(),
+        tf.keras.layers.BatchNormalization(),
+        tf.keras.layers.Conv2D(128, (3,3), activation='relu', padding='same',
+                               kernel_initializer='he_normal', kernel_regularizer=l2(0.01)),
+        tf.keras.layers.MaxPooling2D(),
+        tf.keras.layers.BatchNormalization(),
+        tf.keras.layers.Flatten(),
+        tf.keras.layers.Dropout(0.5),
+        tf.keras.layers.Dense(256, activation='relu', kernel_initializer='he_normal',
+                              kernel_regularizer=l2(0.01)),
+        tf.keras.layers.BatchNormalization(),
+        tf.keras.layers.Dense(128, activation='relu', kernel_initializer='he_normal',
+                              kernel_regularizer=l2(0.01)),
+        tf.keras.layers.BatchNormalization(),
+        tf.keras.layers.Dense(64, activation='relu', kernel_initializer='he_normal',
+                              kernel_regularizer=l2(0.01)),
+        tf.keras.layers.BatchNormalization(),
+        tf.keras.layers.Dense(8, activation='softmax'),
+    ])
+    return model
+
+
+def _build_eye_model():
+    """EfficientNetB3 + Dense — same architecture used during eye disease training (224x224x3, 4 classes)."""
+    import tensorflow as tf
+    from tensorflow.keras import regularizers
+    base_model = tf.keras.applications.EfficientNetB3(
+        include_top=False, weights=None, input_shape=(224, 224, 3), pooling='max'
+    )
+    model = tf.keras.Sequential([
+        base_model,
+        tf.keras.layers.BatchNormalization(axis=-1, momentum=0.99, epsilon=0.001),
+        tf.keras.layers.Dense(256,
+                              kernel_regularizer=regularizers.l2(0.016),
+                              activity_regularizer=regularizers.l1(0.006),
+                              bias_regularizer=regularizers.l1(0.006),
+                              activation='relu'),
+        tf.keras.layers.Dropout(rate=0.45, seed=123),
+        tf.keras.layers.Dense(4, activation='softmax'),
+    ])
+    return model
+
+
+def _build_brain_cnn():
+    """VGG-like CNN — same architecture used during brain tumor training."""
+    import tensorflow as tf
+    model = tf.keras.Sequential([
+        tf.keras.layers.Conv2D(64, (3,3), padding="same", activation="relu", input_shape=(224,224,3)),
+        tf.keras.layers.Conv2D(64, (3,3), padding="same", activation="relu"),
+        tf.keras.layers.MaxPooling2D((2,2)),
+        tf.keras.layers.Conv2D(128, (3,3), padding="same", activation="relu"),
+        tf.keras.layers.Conv2D(128, (3,3), padding="same", activation="relu"),
+        tf.keras.layers.MaxPooling2D((2,2)),
+        tf.keras.layers.Conv2D(256, (3,3), padding="same", activation="relu"),
+        tf.keras.layers.Conv2D(256, (3,3), padding="same", activation="relu"),
+        tf.keras.layers.Conv2D(256, (3,3), padding="same", activation="relu"),
+        tf.keras.layers.MaxPooling2D((2,2)),
+        tf.keras.layers.Conv2D(512, (3,3), padding="same", activation="relu"),
+        tf.keras.layers.Conv2D(512, (3,3), padding="same", activation="relu"),
+        tf.keras.layers.Conv2D(512, (3,3), padding="same", activation="relu"),
+        tf.keras.layers.MaxPooling2D((2,2)),
+        tf.keras.layers.Conv2D(512, (3,3), padding="same", activation="relu"),
+        tf.keras.layers.Conv2D(512, (3,3), padding="same", activation="relu"),
+        tf.keras.layers.Conv2D(512, (3,3), padding="same", activation="relu"),
+        tf.keras.layers.MaxPooling2D((2,2)),
+        tf.keras.layers.Flatten(),
+        tf.keras.layers.Dense(256, activation="relu"),
+        tf.keras.layers.Dense(64,  activation="relu"),
+        tf.keras.layers.Dense(4,   activation="softmax"),
+    ])
+    return model
+
+
+def _build_kidney_cnn():
+    """CNN architecture used during kidney disease training."""
+    import tensorflow as tf
+    model = tf.keras.Sequential([
+        tf.keras.layers.Conv2D(32, (3,3), activation="relu", input_shape=(200,200,1)),
+        tf.keras.layers.MaxPooling2D(2),
+        tf.keras.layers.Conv2D(32, (3,3), activation="relu"),
+        tf.keras.layers.MaxPooling2D(2),
+        tf.keras.layers.Conv2D(64, (3,3), activation="relu"),
+        tf.keras.layers.MaxPooling2D(2),
+        tf.keras.layers.Conv2D(64, (3,3), activation="relu"),
+        tf.keras.layers.MaxPooling2D(2),
+        tf.keras.layers.Conv2D(128, (3,3), activation="relu"),
+        tf.keras.layers.MaxPooling2D(2),
+        tf.keras.layers.Conv2D(128, (3,3), activation="relu"),
+        tf.keras.layers.MaxPooling2D(2),
+        tf.keras.layers.Flatten(),
+        tf.keras.layers.Dense(512, activation="relu"),
+        tf.keras.layers.Dense(4,   activation="softmax"),
+    ])
+    return model
+
+
+HF_REPO = "morefaat69/medical-ai-models"
+WEIGHTS_DIR = "weights"
+
+def _download_weight(filename: str) -> str:
+    """Download a model file from Hugging Face if not already cached locally."""
+    from huggingface_hub import hf_hub_download
+    local_path = os.path.join(WEIGHTS_DIR, filename)
+    if not os.path.exists(local_path):
+        logger.info(f"⬇️  Downloading {filename} from Hugging Face...")
+        os.makedirs(WEIGHTS_DIR, exist_ok=True)
+        downloaded = hf_hub_download(
+            repo_id=HF_REPO,
+            filename=filename,
+            local_dir=WEIGHTS_DIR,
+        )
+        logger.info(f"✅ {filename} downloaded")
+        return downloaded
+    logger.info(f"📦 {filename} already cached locally")
+    return local_path
+
+
+def load_all_models():
+    """Download weights from Hugging Face (if needed) then load all models."""
+    import tensorflow as tf
+
+    # 1 ─ Skin
+    try:
+        path = _download_weight("skin_model.h5")
+        MODELS["skin"] = tf.keras.models.load_model(path, compile=False)
+        logger.info("✅ Skin model loaded")
+    except Exception as e:
+        logger.warning(f"⚠️  Skin model failed: {e}")
+
+    # 2 ─ Breast (two sub-models)
+    try:
+        seg_path = _download_weight("Final Final Breast Cancer Segmentation.h5")
+        cls_path  = _download_weight("bes__model.h5")
+        MODELS["breast_seg"] = tf.keras.models.load_model(seg_path, compile=False)
+        MODELS["breast_cls"] = tf.keras.models.load_model(cls_path, compile=False)
+        logger.info("✅ Breast models loaded")
+    except Exception as e:
+        logger.warning(f"⚠️  Breast models failed: {e}")
+
+    # 3 ─ Eye
+    try:
+        path = _download_weight("eye_model_fixed.h5")
+        MODELS["eye"] = tf.keras.models.load_model(path, compile=False)
+        logger.info("✅ Eye model loaded")
+    except Exception as e:
+        logger.warning(f"⚠️  Eye model failed: {e}")
+
+    # 4 ─ Brain
+    try:
+        path = _download_weight("brain_model.h5")
+        try:
+            MODELS["brain"] = tf.keras.models.load_model(path, compile=False)
+        except TypeError:
+            brain_model = _build_brain_cnn()
+            brain_model.load_weights(path)
+            MODELS["brain"] = brain_model
+        logger.info("✅ Brain model loaded")
+    except Exception as e:
+        logger.warning(f"⚠️  Brain model failed: {e}")
+
+    # 5 ─ Heart
+    try:
+        path = _download_weight("heart_segmentation_model.h5")
+        MODELS["heart"] = _build_unet()
+        MODELS["heart"].load_weights(path)
+        logger.info("✅ Heart model loaded")
+    except Exception as e:
+        logger.warning(f"⚠️  Heart model failed: {e}")
+
+    # 6 ─ Lung (PyTorch)
+    try:
+        import torch
+        from model_lung import HybridModel
+        path = _download_weight("final_ChestX6_hybrid_model.pth")
+        m = HybridModel(num_classes=6)
+        state = torch.load(path, map_location="cpu")
+        clean = {k.replace("_orig_mod.", ""): v for k, v in state.items()}
+        m.load_state_dict(clean)
+        m.eval()
+        MODELS["lung"] = m
+        logger.info("✅ Lung model loaded")
+    except Exception as e:
+        logger.warning(f"⚠️  Lung model failed: {e}")
+
+    # 7 ─ Kidney
+    try:
+        path = _download_weight("kidney_model1.h5")
+        try:
+            MODELS["kidney"] = tf.keras.models.load_model(path, compile=False)
+        except TypeError:
+            kidney_model = _build_kidney_cnn()
+            kidney_model.load_weights(path)
+            MODELS["kidney"] = kidney_model
+        logger.info("✅ Kidney model loaded")
+    except Exception as e:
+        logger.warning(f"⚠️  Kidney model failed: {e}")
+
+
+# ──────────────────────────────────────────────────────────────────────────────
+# U-Net builder (Heart)
+# ──────────────────────────────────────────────────────────────────────────────
+def _build_unet(input_shape=(128, 128, 1)):
+    import tensorflow as tf
+    L = tf.keras.layers
+    inputs = L.Input(shape=input_shape)
+    c1 = L.Conv2D(16, 3, activation="relu", padding="same")(inputs)
+    c1 = L.Conv2D(16, 3, activation="relu", padding="same")(c1)
+    p1 = L.MaxPooling2D()(c1)
+    c2 = L.Conv2D(32, 3, activation="relu", padding="same")(p1)
+    c2 = L.Conv2D(32, 3, activation="relu", padding="same")(c2)
+    p2 = L.MaxPooling2D()(c2)
+    c3 = L.Conv2D(64, 3, activation="relu", padding="same")(p2)
+    c3 = L.Conv2D(64, 3, activation="relu", padding="same")(c3)
+    p3 = L.MaxPooling2D()(c3)
+    c4 = L.Conv2D(128, 3, activation="relu", padding="same")(p3)
+    c4 = L.Conv2D(128, 3, activation="relu", padding="same")(c4)
+    p4 = L.MaxPooling2D()(c4)
+    c5 = L.Conv2D(256, 3, activation="relu", padding="same")(p4)
+    c5 = L.Conv2D(256, 3, activation="relu", padding="same")(c5)
+    u6 = L.Conv2DTranspose(128, 2, strides=2, padding="same")(c5)
+    u6 = L.concatenate([u6, c4])
+    c6 = L.Conv2D(128, 3, activation="relu", padding="same")(u6)
+    c6 = L.Conv2D(128, 3, activation="relu", padding="same")(c6)
+    u7 = L.Conv2DTranspose(64, 2, strides=2, padding="same")(c6)
+    u7 = L.concatenate([u7, c3])
+    c7 = L.Conv2D(64, 3, activation="relu", padding="same")(u7)
+    c7 = L.Conv2D(64, 3, activation="relu", padding="same")(c7)
+    u8 = L.Conv2DTranspose(32, 2, strides=2, padding="same")(c7)
+    u8 = L.concatenate([u8, c2])
+    c8 = L.Conv2D(32, 3, activation="relu", padding="same")(u8)
+    c8 = L.Conv2D(32, 3, activation="relu", padding="same")(c8)
+    u9 = L.Conv2DTranspose(16, 2, strides=2, padding="same")(c8)
+    u9 = L.concatenate([u9, c1])
+    c9 = L.Conv2D(16, 3, activation="relu", padding="same")(u9)
+    c9 = L.Conv2D(16, 3, activation="relu", padding="same")(c9)
+    outputs = L.Conv2D(1, 1, activation="sigmoid")(c9)
+    return tf.keras.models.Model(inputs, outputs)
+
+
+# ──────────────────────────────────────────────────────────────────────────────
+# App lifecycle
+# ──────────────────────────────────────────────────────────────────────────────
+@asynccontextmanager
+async def lifespan(app: FastAPI):
+    load_all_models()
+    yield
+    MODELS.clear()
+
+
+app = FastAPI(
+    title="Medical AI API",
+    description="7 medical AI models in one unified API",
+    version="1.0.0",
+    lifespan=lifespan,
+)
+
+app.add_middleware(
+    CORSMiddleware,
+    allow_origins=["*"],
+    allow_methods=["*"],
+    allow_headers=["*"],
+)
+
+
+# ──────────────────────────────────────────────────────────────────────────────
+# Utility
+# ──────────────────────────────────────────────────────────────────────────────
+async def read_image(file: UploadFile) -> Image.Image:
+    data = await file.read()
+    return Image.open(io.BytesIO(data))
+
+
+def _require(key: str):
+    if key not in MODELS:
+        raise HTTPException(503, f"Model '{key}' is not loaded. Check weight file.")
+
+
+# ──────────────────────────────────────────────────────────────────────────────
+# Root
+# ──────────────────────────────────────────────────────────────────────────────
+# ══════════════════════════════════════════════════════════════════════════════
+# RECOMMENDATIONS — Arabic medical info for every disease
+# ══════════════════════════════════════════════════════════════════════════════
+RECOMMENDATIONS = {
+
+    # ── Skin ──────────────────────────────────────────────────────────────────
+    "AK": {
+        "disease_name": "AK — Actinic Keratosis",
+        "description": "آفة جلدية تظهر نتيجة التعرض المفرط للشمس وتُعدّ مرحلة ما قبل سرطانية، قابلة للتحول لسرطان إذا تُركت دون علاج.",
+        "recommendations": [
+            "استشر طبيب جلدية لتقييم المنطقة وتحديد العلاج المناسب.",
+            "من خيارات العلاج: التجميد بالنيتروجين أو كريمات طبية موضعية.",
+            "الحد من التعرض للشمس المباشرة أمر بالغ الأهمية.",
+            "استخدم واقي الشمس يومياً وأعد وضعه كل ساعتين عند الخروج.",
+            "متابعة دورية مع الطبيب كل 6-12 شهراً.",
+        ],
+    },
+    "BCC": {
+        "disease_name": "BCC — Basal Cell Carcinoma",
+        "description": "أكثر أنواع سرطان الجلد شيوعاً، ينمو ببطء ونادراً ما ينتشر، لكنه يحتاج علاجاً طبياً سريعاً لمنع تلف الأنسجة المحيطة.",
+        "recommendations": [
+            "راجع طبيب جلدية في أقرب وقت لتقييم المنطقة.",
+            "الطبيب على الأرجح سيقترح إزالة جراحية للمنطقة المصابة.",
+            "ابتعد عن التعرض المباشر للشمس خصوصاً بين 10 صباحاً و4 عصراً.",
+            "ضع واقي شمس يومياً حتى في الأيام الغائمة.",
+            "راقب أي تغير في الحجم أو اللون أو النزيف.",
+        ],
+    },
+    "BKL": {
+        "disease_name": "BKL — Benign Keratosis-like Lesion",
+        "description": "نتوءات جلدية حميدة شائعة خاصةً مع التقدم في السن. ليست خطرة ولا تنتشر، لكنها قد تكون مزعجة من الناحية التجميلية.",
+        "recommendations": [
+            "الحالة حميدة في الغالب ولا تستدعي قلقاً فورياً.",
+            "راقب المنطقة — إذا تغير الشكل أو اللون أو نزّت دماً راجع الطبيب.",
+            "يمكن إزالتها جمالياً عند طبيب جلدية إذا أزعجتك.",
+            "اعتنِ بنظافة المنطقة وتجنب حكّها.",
+            "زيارة روتينية للطبيب سنوياً للاطمئنان.",
+        ],
+    },
+    "DF": {
+        "disease_name": "DF — Dermatofibroma",
+        "description": "ورم جلدي حميد صلب يظهر عادةً في الساقين، ويُعتقد أنه يتكون بعد إصابة بسيطة كلسعة حشرة. نادراً ما يسبب مشاكل.",
+        "recommendations": [
+            "الورم الليفي حميد تماماً ولا يحتاج علاجاً في معظم الحالات.",
+            "تجنب الضغط عليه أو العبث به.",
+            "إذا كبر بسرعة أو سبّب ألماً اعرضه على الطبيب.",
+            "يمكن إزالته جراحياً إذا أزعجك مظهره.",
+            "مراجعة الطبيب سنوياً للاطمئنان.",
+        ],
+    },
+    "MEL": {
+        "disease_name": "MEL — Melanoma",
+        "description": "نوع خطير من سرطان الجلد ينشأ من الخلايا المنتجة للميلانين. يُعدّ من أشد أنواع سرطان الجلد خطورةً إذا لم يُكتشف مبكراً.",
+        "recommendations": [
+            "اذهب لطبيب جلدية أو أورام فوراً — لا تتأخر.",
+            "لا تتعرض لأشعة الشمس المباشرة على المنطقة المصابة.",
+            "التقط صوراً دورية للمنطقة لمتابعة أي تغير في الشكل أو الحجم.",
+            "استخدم واقي الشمس بعامل حماية SPF 50+ يومياً.",
+            "قد يحتاج الطبيب لأخذ خزعة (biopsy) للتأكد من التشخيص.",
+        ],
+    },
+    "NV": {
+        "disease_name": "NV — Melanocytic Nevi",
+        "description": "الشامات الشائعة الحميدة الناتجة عن تجمّع الخلايا المنتجة للميلانين. معظمها غير ضار لكن يجب مراقبتها باستمرار.",
+        "recommendations": [
+            "الشامة الطبيعية غير ضارة — لكن المراقبة المستمرة مهمة.",
+            "اتبع قاعدة ABCDE: تغير في التماثل والحدود واللون والحجم والشكل العام.",
+            "التقط صورة شهرية لمتابعة أي تغيير.",
+            "واقي الشمس يومياً يقلل خطر تحوّلها.",
+            "إذا لاحظت أي تغيير مفاجئ راجع الطبيب فوراً.",
+        ],
+    },
+    "SCC": {
+        "disease_name": "SCC — Squamous Cell Carcinoma",
+        "description": "نوع من سرطان الجلد ينشأ من الطبقات الخارجية للجلد، وقد ينتشر للعقد الليمفاوية إذا أُهمل.",
+        "recommendations": [
+            "زيارة طبيب جلدية عاجلة ضرورية جداً.",
+            "الطبيب سيحدد ما إذا كانت الإزالة الجراحية أو العلاج الإشعاعي مناسباً.",
+            "تجنّب تماماً أجهزة تسمير الجلد (سولاريوم).",
+            "واقي شمس SPF 50+ يومياً إلزامي.",
+            "أخبر الطبيب بأي تاريخ مرضي سابق لأمراض الجلد.",
+        ],
+    },
+    "VASC": {
+        "disease_name": "VASC — Vascular Lesion",
+        "description": "آفات تنشأ من الأوعية الدموية تحت الجلد كالأورام الوعائية والشعيرات المتوسعة. معظمها حميد تماماً.",
+        "recommendations": [
+            "معظم الآفات الوعائية حميدة ولا تحتاج تدخلاً طبياً عاجلاً.",
+            "راقب المنطقة — أي نزيف أو ألم يستدعي زيارة الطبيب.",
+            "يمكن علاجها بالليزر لأغراض تجميلية.",
+            "حافظ على نظافة المنطقة وتجنب احتكاكها بالملابس.",
+            "زيارة طبيب جلدية للتأكد من التشخيص.",
+        ],
+    },
+
+    # ── Breast ────────────────────────────────────────────────────────────────
+    "benign": {
+        "disease_name": "Benign — ورم حميد",
+        "description": "الورم الحميد لا ينتشر ولا يشكّل خطراً مباشراً، لكن يجب متابعته طبياً بانتظام للتأكد من عدم تغيّره.",
+        "recommendations": [
+            "راجع طبيب مختص لتأكيد التشخيص بالخزعة إذا لزم.",
+            "متابعة دورية بالموجات فوق الصوتية كل 6 أشهر.",
+            "تجنّبي الضغط على المنطقة أو العبث بها.",
+            "أبلغي الطبيب فوراً إذا تغيّر الحجم أو ظهر ألم.",
+            "الفحص الذاتي الشهري للثدي مهم جداً للمتابعة.",
+        ],
+    },
+    "malignant": {
+        "disease_name": "Malignant — ورم خبيث",
+        "description": "الورم الخبيث (السرطاني) يحتاج تدخلاً طبياً عاجلاً. الاكتشاف المبكر يرفع نسبة الشفاء بشكل كبير.",
+        "recommendations": [
+            "توجّهي لطبيب أورام فوراً — لا تتأخري أبداً.",
+            "ستحتاجين لفحوصات إضافية: خزعة، تصوير بالرنين، سكان عظام.",
+            "خيارات العلاج تشمل: جراحة، كيماوي، إشعاع، علاج هرموني.",
+            "احرصي على دعم نفسي وعائلي خلال فترة العلاج.",
+            "لا تعتمدي على أي علاج شعبي بديل دون استشارة الطبيب.",
+        ],
+    },
+    "normal": {
+        "disease_name": "Normal — طبيعي",
+        "description": "لم تظهر علامات مرضية في الصورة. الثدي يبدو بصحة جيدة.",
+        "recommendations": [
+            "استمري في الفحص الذاتي الشهري للثدي.",
+            "احرصي على فحص دوري سنوي عند الطبيب بعد سن الـ 40.",
+            "الماموغرام مهم كل عامين للنساء فوق 40 سنة.",
+            "نظام غذائي صحي وممارسة الرياضة تقلل خطر سرطان الثدي.",
+            "أبلغي الطبيبة فوراً عند ملاحظة أي تغيير غير طبيعي.",
+        ],
+    },
+
+    # ── Eye ───────────────────────────────────────────────────────────────────
+    "Cataract": {
+        "disease_name": "Cataract — إعتام عدسة العين",
+        "description": "تعتّم في عدسة العين الطبيعية يؤدي إلى ضبابية في الرؤية. شائع مع التقدم في السن وقابل للعلاج الجراحي.",
+        "recommendations": [
+            "راجع طبيب عيون لتقييم مدى تأثيره على رؤيتك.",
+            "العملية الجراحية بسيطة وآمنة وتعيد الرؤية بشكل كامل في معظم الحالات.",
+            "استخدم نظارات شمسية لحماية العينين من الأشعة فوق البنفسجية.",
+            "تجنب قيادة السيارة ليلاً إذا كانت رؤيتك ضعيفة.",
+            "نظام غذائي غني بالفيتامينات C وE يحمي العينين.",
+        ],
+    },
+    "Diabetic Retinopathy": {
+        "disease_name": "Diabetic Retinopathy — اعتلال الشبكية السكري",
+        "description": "مضاعفة لمرض السكري تصيب الأوعية الدموية في شبكية العين وقد تؤدي لفقدان البصر إذا لم تُعالج.",
+        "recommendations": [
+            "تحكّم في مستوى السكر في الدم بشكل صارم.",
+            "راجع طبيب شبكية متخصص في أقرب وقت.",
+            "قد تحتاج ليزر أو حقن مضادة للـ VEGF حسب الحالة.",
+            "افحص عينيك سنوياً على الأقل إذا كنت مصاباً بالسكري.",
+            "التحكم في ضغط الدم والكوليسترول يبطئ تطور المرض.",
+        ],
+    },
+    "Glaucoma": {
+        "disease_name": "Glaucoma — المياه الزرقاء",
+        "description": "مجموعة من أمراض العين تصيب العصب البصري غالباً بسبب ارتفاع ضغط العين. قد تؤدي لفقدان البصر التدريجي.",
+        "recommendations": [
+            "راجع طبيب عيون فوراً لقياس ضغط العين.",
+            "العلاج المبكر بالقطرات أو الجراحة يوقف تطور المرض.",
+            "لا تتوقف عن استخدام قطرات الضغط دون استشارة الطبيب.",
+            "افحص عينيك دورياً خاصة إذا كان هناك تاريخ عائلي للمرض.",
+            "تجنب الأنشطة التي ترفع ضغط العين كرفع الأثقال الشديد.",
+        ],
+    },
+    "Normal": {
+        "disease_name": "Normal — طبيعي",
+        "description": "لم تظهر علامات لأمراض العين في الصورة. العين تبدو بصحة جيدة.",
+        "recommendations": [
+            "احرص على فحص العينين مرة كل عام أو عامين.",
+            "نظام غذائي غني بالفيتامينات A وC وE مفيد للعيون.",
+            "استخدم نظارات شمسية ذات حماية UV عند الخروج.",
+            "خذ استراحة كل 20 دقيقة عند استخدام الشاشات.",
+            "تجنب التدخين فإنه يزيد خطر أمراض العيون.",
+        ],
+    },
+
+    # ── Brain ─────────────────────────────────────────────────────────────────
+    "glioma": {
+        "disease_name": "Glioma — ورم الغليوما",
+        "description": "نوع من أورام المخ ينشأ من الخلايا الدبقية. يتراوح بين درجات منخفضة الخطورة وأخرى عالية الخطورة.",
+        "recommendations": [
+            "توجّه لطبيب أعصاب أو جراح مخ فوراً.",
+            "ستحتاج لتصوير بالرنين المغناطيسي المعزز لتحديد دقة الورم.",
+            "خيارات العلاج تشمل: جراحة، إشعاع، كيماوي حسب درجة الورم.",
+            "لا تتوقف عن أدوية الصرع إذا وُصفت لك.",
+            "الدعم النفسي والعائلي جزء أساسي من رحلة العلاج.",
+        ],
+    },
+    "meningioma": {
+        "disease_name": "Meningioma — ورم السحايا",
+        "description": "ورم ينشأ من أغشية المخ (السحايا). معظمه حميد وبطيء النمو، لكن قد يسبب ضغطاً على المخ.",
+        "recommendations": [
+            "راجع طبيب أعصاب لتقييم الورم ومتابعته.",
+            "الأورام الصغيرة غير المسببة لأعراض قد تحتاج مراقبة فقط.",
+            "الأورام الكبيرة أو المسببة لأعراض قد تحتاج جراحة أو إشعاع.",
+            "متابعة بالرنين المغناطيسي كل 6-12 شهراً حسب توجيه الطبيب.",
+            "أبلغ الطبيب فوراً عند ظهور صداع شديد أو تغيرات في الرؤية.",
+        ],
+    },
+    "notumor": {
+        "disease_name": "No Tumor — لا يوجد ورم",
+        "description": "لم تظهر علامات لوجود ورم في الصورة. الدماغ يبدو طبيعياً.",
+        "recommendations": [
+            "إذا كانت لديك أعراض استشر طبيب أعصاب للتأكد.",
+            "فحص دوري سنوي مهم خاصة عند وجود تاريخ عائلي.",
+            "نوم كافٍ وتجنب الضغط النفسي الشديد يحمي صحة الدماغ.",
+            "مارس الرياضة بانتظام لتحسين الدورة الدموية للمخ.",
+            "تجنب التدخين والكحول للحفاظ على صحة الجهاز العصبي.",
+        ],
+    },
+    "pituitary": {
+        "disease_name": "Pituitary — ورم الغدة النخامية",
+        "description": "ورم ينشأ في الغدة النخامية بقاعدة الدماغ. معظمه حميد لكن قد يؤثر على الهرمونات والرؤية.",
+        "recommendations": [
+            "راجع طبيب غدد صماء وطبيب أعصاب معاً.",
+            "ستحتاج لتحليل هرمونات شاملة لتقييم تأثير الورم.",
+            "بعض الأورام تُعالج بالدواء فقط دون جراحة.",
+            "تابع رؤيتك — ورم الغدة قد يضغط على العصب البصري.",
+            "الفحص الدوري بالرنين المغناطيسي ضروري لمتابعة حجم الورم.",
+        ],
+    },
+
+    # ── Heart ─────────────────────────────────────────────────────────────────
+    "normal": {
+        "disease_name": "Normal — حجم القلب طبيعي",
+        "description": "منطقة القلب المكتشفة في الصورة تقع ضمن النطاق الطبيعي المتوقع.",
+        "recommendations": [
+            "استمر في ممارسة الرياضة بانتظام للحفاظ على صحة القلب.",
+            "نظام غذائي صحي قليل الدهون المشبعة مفيد للقلب.",
+            "راقب ضغط الدم والكوليسترول بشكل دوري.",
+            "تجنب التدخين وتقليل التوتر النفسي.",
+            "فحص قلب سنوي مهم خاصة بعد سن الـ 40.",
+        ],
+    },
+    "slightly_large": {
+        "disease_name": "Slightly Large — تضخم بسيط في القلب",
+        "description": "تم اكتشاف منطقة قلب أكبر قليلاً من المعدل الطبيعي في الصورة. يستدعي مراجعة طبية.",
+        "recommendations": [
+            "راجع طبيب قلب لإجراء تخطيط قلب وإيكو.",
+            "تجنب المجهود الشديد حتى تأكيد التشخيص.",
+            "راقب أي أعراض: ضيق تنفس، خفقان، تورم في القدمين.",
+            "قلّل الملح في طعامك لتخفيف الضغط على القلب.",
+            "الالتزام بالأدوية إذا وصفها الطبيب أمر ضروري.",
+        ],
+    },
+    "abnormally_large": {
+        "disease_name": "Abnormally Large — تضخم غير طبيعي في القلب",
+        "description": "تم اكتشاف منطقة قلب أكبر بكثير من المعدل الطبيعي. يستدعي تدخلاً طبياً عاجلاً.",
+        "recommendations": [
+            "اذهب لطبيب قلب أو طوارئ فوراً.",
+            "أجرِ تخطيط قلب (ECG) وإيكو قلب (Echocardiogram) عاجلاً.",
+            "تجنب أي مجهود بدني حتى تحصل على تقييم طبي.",
+            "أخبر الطبيب بكل الأدوية التي تتناولها.",
+            "التضخم القلبي قابل للعلاج إذا اكتُشف مبكراً.",
+        ],
+    },
+    "not_detected": {
+        "disease_name": "Not Detected — لم يتم اكتشاف القلب",
+        "description": "لم يتمكن الموديل من تحديد منطقة القلب بوضوح في الصورة. قد يكون بسبب جودة الصورة.",
+        "recommendations": [
+            "تأكد من جودة الصورة وأنها CT scan واضحة.",
+            "أعد رفع صورة بجودة أعلى وزاوية مناسبة.",
+            "راجع طبيب متخصص لإجراء الفحص اللازم.",
+        ],
+    },
+
+    # ── Lung ──────────────────────────────────────────────────────────────────
+    "Tuberculosis": {
+        "disease_name": "Tuberculosis — السل الرئوي",
+        "description": "عدوى بكتيرية تصيب الرئتين وتنتشر عن طريق الهواء. من أعراضها السعال المزمن ونزول الدم والتعرق الليلي وفقدان الوزن.",
+        "recommendations": [
+            "راجع طبيب أمراض صدر فوراً.",
+            "يحتاج علاج مضادات حيوية لمدة 6 أشهر على الأقل.",
+            "تجنب الاختلاط بالآخرين حتى تأكيد التشخيص.",
+            "أجرِ تحليل بلغم وأشعة مقطعية للتأكد.",
+            "الالتزام بجرعات الدواء كاملة بدون توقف أمر بالغ الأهمية.",
+        ],
+    },
+    "Pneumonia-Viral": {
+        "disease_name": "Pneumonia-Viral — التهاب رئوي فيروسي",
+        "description": "التهاب في أنسجة الرئة بسبب فيروس. يسبب حمى وسعالاً وضيق تنفس وإرهاداً شديداً.",
+        "recommendations": [
+            "راجع طبيب في أقرب وقت.",
+            "الراحة التامة وشرب السوائل بكثرة ضروريان.",
+            "المضادات الحيوية لا تفيد (فيروسي) — الطبيب سيحدد العلاج المناسب.",
+            "راقب مستوى الأكسجين في الدم.",
+            "اذهب للطوارئ إذا نزل الأكسجين عن 94% أو اشتد ضيق التنفس.",
+        ],
+    },
+    "Pneumonia-Bacterial": {
+        "disease_name": "Pneumonia-Bacterial — التهاب رئوي بكتيري",
+        "description": "التهاب رئوي بسبب بكتيريا. أعراضه أشد من الفيروسي وتشمل حمى عالية وسعال بلغمي وألم في الصدر.",
+        "recommendations": [
+            "اذهب للطبيب فوراً — يحتاج مضادات حيوية.",
+            "لا تأخذ مضادات حيوية بدون وصفة طبية.",
+            "الراحة التامة والسوائل الكافية ضرورية للتعافي.",
+            "في الحالات الشديدة قد تحتاج دخول مستشفى.",
+            "أكمل دورة المضادات الحيوية كاملة حتى لو تحسّنت.",
+        ],
+    },
+    "Normal": {
+        "disease_name": "Normal — رئة طبيعية",
+        "description": "الأشعة لا تظهر أي تغيرات مرضية. الرئتان تبدوان بصحة جيدة.",
+        "recommendations": [
+            "استمر في الاهتمام بصحتك.",
+            "ابتعد عن التدخين والأماكن الملوثة.",
+            "مارس الرياضة بانتظام لتقوية الرئتين.",
+            "إذا كانت عندك أعراض رغم النتيجة استشر طبيب.",
+            "فحص سنوي مهم خاصة لمن يعملون في بيئات ملوثة.",
+        ],
+    },
+    "Emphysema": {
+        "disease_name": "Emphysema — انتفاخ الرئة",
+        "description": "تلف في الحويصلات الهوائية بالرئة يجعل التنفس صعباً. غالباً مرتبط بالتدخين لفترات طويلة.",
+        "recommendations": [
+            "راجع طبيب أمراض صدر.",
+            "التوقف عن التدخين فوراً هو أهم خطوة يمكنك اتخاذها.",
+            "قد تحتاج موسّع للشعب الهوائية (بخاخ).",
+            "تمارين التنفس مع متخصص تساعد كثيراً.",
+            "تجنب الأماكن الملوثة والغبار والدخان.",
+        ],
+    },
+    "Covid-19": {
+        "disease_name": "Covid-19 — كوفيد-19",
+        "description": "عدو�� فيروسية تسببها فيروس كورونا. تظهر في الأشعة كبقع زجاجية في الرئتين. أعراضها تتراوح من خفيفة لشديدة.",
+        "recommendations": [
+            "أجرِ تحليل PCR لتأكيد الإصابة.",
+            "عزل فوري لمنع انتشار العدوى.",
+            "راجع طبيب لتقييم الحالة وتحديد العلاج.",
+            "راقب مستوى الأكسجين — إذا نزل عن 94% اذهب للطوارئ.",
+            "الراحة والسوائل والتغذية الجيدة تسرّع التعافي.",
+        ],
+    },
+
+    # ── Kidney ────────────────────────────────────────────────────────────────
+    "Cyst": {
+        "disease_name": "Cyst — كيس في الكلى",
+        "description": "تجمّع سائل في الكلى يشكّل كيساً. معظم الأكياس حميدة ولا تسبب أعراضاً، لكن تحتاج متابعة.",
+        "recommendations": [
+            "راجع طبيب كلى لتقييم حجم الكيس وطبيعته.",
+            "معظم الأكياس لا تحتاج علاجاً — متابعة بالأشعة كافية.",
+            "اشرب كميات كافية من الماء يومياً (2-3 لتر).",
+            "راقب أي أعراض: ألم في الجانب، دم في البول، ارتفاع ضغط.",
+            "متابعة بالأشعة فوق الصوتية كل 6-12 شهراً.",
+        ],
+    },
+    "Normal": {
+        "disease_name": "Normal — كلية طبيعية",
+        "description": "لم تظهر علامات مرضية في صورة الكلى. الكلية تبدو بصحة جيدة.",
+        "recommendations": [
+            "اشرب كميات كافية من الماء يومياً للحفاظ على صحة الكلى.",
+            "قلّل الملح والبروتين الزائد في نظامك الغذائي.",
+            "راقب ضغط الدم والسكر لأنهما يؤثران على الكلى.",
+            "تجنب الإفراط في مسكنات الألم (مثل الإيبوبروفين).",
+            "فحص وظائف الكلى سنوياً مهم خاصة بعد سن الـ 40.",
+        ],
+    },
+    "Stone": {
+        "disease_name": "Stone — حصى في الكلى",
+        "description": "تراكم معادن وأملاح داخل الكلى يشكّل حصوات. قد تسبب ألماً شديداً عند تحرّكها.",
+        "recommendations": [
+            "راجع طبيب كلى أو مسالك بولية لتحديد حجم الحصى.",
+            "اشرب 3 لتر ماء يومياً على الأقل لمساعدة الحصى على الخروج.",
+            "تجنب الأطعمة الغنية بالأوكسالات كالسبانخ والشوكولاتة.",
+            "الحصى الصغيرة تخرج وحدها — الكبيرة تحتاج تفتيت أو جراحة.",
+            "اذهب للطوارئ إذا اشتد الألم أو ظهر دم في البول مع حمى.",
+        ],
+    },
+    "Tumor": {
+        "disease_name": "Tumor — ورم في الكلى",
+        "description": "تم اكتشاف كتلة غير طبيعية في الكلى. يحتاج تقييماً طبياً عاجلاً لتحديد طبيعة الورم.",
+        "recommendations": [
+            "توجّه لطبيب أورام أو كلى فوراً — لا تتأخر.",
+            "ستحتاج لأشعة مقطعية (CT) بصبغة لتحديد طبيعة الورم.",
+            "خيارات العلاج تشمل: جراحة، استئصال جزئي أو كلي للكلى، أو علاج موضعي.",
+            "الاكتشاف المبكر يرفع نسبة الشفاء بشكل كبير.",
+            "لا تتجاهل أي أعراض: دم في البول، ألم في الجانب، فقدان وزن.",
+        ],
+    },
+}
+
+
+@app.get("/")
+def root():
+    return {
+        "message": "Medical AI API — 7 models",
+        "loaded_models": list(MODELS.keys()),
+        "endpoints": [
+            "/predict/skin",
+            "/predict/breast",
+            "/predict/eye",
+            "/predict/brain",
+            "/predict/heart",
+            "/predict/lung",
+            "/predict/kidney",
+        ],
+    }
+
+
+@app.get("/health")
+def health():
+    return {"status": "ok", "loaded_models": list(MODELS.keys())}
+
+
+# ══════════════════════════════════════════════════════════════════════════════
+# 1 ─ SKIN
+# ══════════════════════════════════════════════════════════════════════════════
+SKIN_LABELS = ["AK", "BCC", "BKL", "DF", "MEL", "NV", "SCC", "VASC"]
+SKIN_NAMES  = {
+    "AK": "Actinic Keratosis",
+    "BCC": "Basal Cell Carcinoma",
+    "BKL": "Benign Keratosis",
+    "DF": "Dermatofibroma",
+    "MEL": "Melanoma",
+    "NV": "Melanocytic Nevi",
+    "SCC": "Squamous Cell Carcinoma",
+    "VASC": "Vascular Lesion",
+}
+SKIN_SEVERITY = {
+    "MEL": "high", "BCC": "high", "SCC": "high",
+    "AK": "medium",
+    "BKL": "low", "DF": "low", "NV": "low", "VASC": "low",
+}
+
+
+@app.post("/predict/skin")
+async def predict_skin(
+    file: UploadFile = File(...),
+    age: Optional[int] = Form(None),
+    gender: Optional[str] = Form(None),
+    symptoms: Optional[str] = Form(None),
+    chronic_diseases: Optional[str] = Form(None),
+    medications: Optional[str] = Form(None),
+):
+    """
+    Classify skin lesion from a dermatoscopy image.
+
+    Returns: predicted class, confidence, severity, all probabilities, AI medical report.
+
+    Optional form fields: age, gender, symptoms, chronic_diseases, medications
+    """
+    _require("skin")
+    img = await read_image(file)
+    arr = np.array(img.convert("RGB").resize((28, 28)), dtype=np.float32)
+    arr = np.expand_dims(arr, 0)
+
+    probs     = MODELS["skin"].predict(arr, verbose=0)[0]
+    idx       = int(np.argmax(probs))
+    label     = SKIN_LABELS[idx]
+    confidence = round(float(probs[idx]) * 100, 2)
+
+    rec    = RECOMMENDATIONS.get(label, {})
+    report = generate_medical_report(
+        model_type="skin",
+        predicted_class=label,
+        disease_name=rec.get("disease_name", label),
+        confidence=confidence,
+        age=age, gender=gender, symptoms=symptoms,
+        chronic_diseases=chronic_diseases, medications=medications,
+    )
+    return {
+        "model": "skin",
+        "predicted_class": label,
+        "predicted_name": SKIN_NAMES[label],
+        "confidence": confidence,
+        "severity": SKIN_SEVERITY[label],
+        "all_probabilities": {
+            SKIN_LABELS[i]: round(float(p) * 100, 2)
+            for i, p in enumerate(probs)
+        },
+        "disease_info": {
+            "disease_name": rec.get("disease_name", ""),
+            "description": rec.get("description", ""),
+            "recommendations": rec.get("recommendations", []),
+        },
+        "medical_report": report,
+    }
+
+
+# ══════════════════════════════════════════════════════════════════════════════
+# 2 ─ BREAST
+# ══════════════════════════════════════════════════════════════════════════════
+BREAST_CLASSES = ["benign", "malignant", "normal"]
+
+
+@app.post("/predict/breast")
+async def predict_breast(
+    file: UploadFile = File(...),
+    age: Optional[int] = Form(None),
+    gender: Optional[str] = Form(None),
+    symptoms: Optional[str] = Form(None),
+    chronic_diseases: Optional[str] = Form(None),
+    medications: Optional[str] = Form(None),
+):
+    """
+    Breast ultrasound — runs segmentation + classification.
+
+    Returns:
+      - classification result (benign / malignant / normal)
+      - segmentation mask stats (mean activation, coverage %)
+      - AI medical report
+
+    Optional form fields: age, gender, symptoms, chronic_diseases, medications
+    """
+    _require("breast_seg")
+    _require("breast_cls")
+
+    img = await read_image(file)
+
+    # ── segmentation ──
+    seg_in  = np.array(img.convert("RGB").resize((256, 256)), dtype=np.float32) / 255.0
+    seg_in  = np.expand_dims(seg_in, 0)
+    mask    = MODELS["breast_seg"].predict(seg_in, verbose=0)[0, :, :, 0]
+    coverage = round(float(np.mean(mask > 0.5)) * 100, 2)
+
+    # ── classification ──
+    cls_in  = np.array(img.convert("RGB").resize((224, 224)), dtype=np.float32)
+    cls_in  = np.expand_dims(cls_in, 0)
+    probs   = MODELS["breast_cls"].predict(cls_in, verbose=0)[0]
+    idx     = int(np.argmax(probs))
+    confidence = round(float(probs[idx]) * 100, 2)
+
+    mask_b64    = _mask_to_base64(mask, colormap="plasma")
+    overlay_b64 = _overlay_to_base64(img, mask, size=(256, 256))
+    rec    = RECOMMENDATIONS.get(BREAST_CLASSES[idx], {})
+    report = generate_medical_report(
+        model_type="breast",
+        predicted_class=BREAST_CLASSES[idx],
+        disease_name=rec.get("disease_name", BREAST_CLASSES[idx]),
+        confidence=confidence,
+        age=age, gender=gender, symptoms=symptoms,
+        chronic_diseases=chronic_diseases, medications=medications,
+    )
+    return {
+        "model": "breast",
+        "predicted_class": BREAST_CLASSES[idx],
+        "confidence": confidence,
+        "all_probabilities": {
+            BREAST_CLASSES[i]: round(float(p) * 100, 2)
+            for i, p in enumerate(probs)
+        },
+        "segmentation": {
+            "mask_mean_activation": round(float(np.mean(mask)), 4),
+            "lesion_coverage_percent": coverage,
+            "mask_image_base64": mask_b64,
+            "overlay_image_base64": overlay_b64,
+        },
+        "disease_info": {
+            "disease_name": rec.get("disease_name", ""),
+            "description": rec.get("description", ""),
+            "recommendations": rec.get("recommendations", []),
+        },
+        "medical_report": report,
+    }
+
+
+# ══════════════════════════════════════════════════════════════════════════════
+# 3 ─ EYE
+# ══════════════════════════════════════════════════════════════════════════════
+EYE_CLASSES = ["Cataract", "Diabetic Retinopathy", "Glaucoma", "Normal"]
+
+
+@app.post("/predict/eye")
+async def predict_eye(
+    file: UploadFile = File(...),
+    age: Optional[int] = Form(None),
+    gender: Optional[str] = Form(None),
+    symptoms: Optional[str] = Form(None),
+    chronic_diseases: Optional[str] = Form(None),
+    medications: Optional[str] = Form(None),
+):
+    """
+    Classify eye disease from a fundus / eye image.
+
+    Returns: predicted class, confidence, all probabilities, AI medical report.
+
+    Optional form fields: age, gender, symptoms, chronic_diseases, medications
+    """
+    _require("eye")
+    from tensorflow.keras.applications.efficientnet import preprocess_input
+
+    img  = await read_image(file)
+    arr  = np.array(img.convert("RGB").resize((224, 224)), dtype=np.float32)
+    arr  = preprocess_input(arr)
+    arr  = np.expand_dims(arr, 0)
+
+    probs = MODELS["eye"].predict(arr, verbose=0)[0]
+    idx   = int(np.argmax(probs))
+    confidence = round(float(probs[idx]) * 100, 2)
+
+    rec    = RECOMMENDATIONS.get(EYE_CLASSES[idx], {})
+    report = generate_medical_report(
+        model_type="eye",
+        predicted_class=EYE_CLASSES[idx],
+        disease_name=rec.get("disease_name", EYE_CLASSES[idx]),
+        confidence=confidence,
+        age=age, gender=gender, symptoms=symptoms,
+        chronic_diseases=chronic_diseases, medications=medications,
+    )
+    return {
+        "model": "eye",
+        "predicted_class": EYE_CLASSES[idx],
+        "confidence": confidence,
+        "all_probabilities": {
+            EYE_CLASSES[i]: round(float(p) * 100, 2)
+            for i, p in enumerate(probs)
+        },
+        "disease_info": {
+            "disease_name": rec.get("disease_name", ""),
+            "description": rec.get("description", ""),
+            "recommendations": rec.get("recommendations", []),
+        },
+        "medical_report": report,
+    }
+
+
+# ══════════════════════════════════════════════════════════════════════════════
+# 4 ─ BRAIN
+# ══════════════════════════════════════════════════════════════════════════════
+BRAIN_CLASSES = ["glioma", "meningioma", "notumor", "pituitary"]
+
+
+@app.post("/predict/brain")
+async def predict_brain(
+    file: UploadFile = File(...),
+    age: Optional[int] = Form(None),
+    gender: Optional[str] = Form(None),
+    symptoms: Optional[str] = Form(None),
+    chronic_diseases: Optional[str] = Form(None),
+    medications: Optional[str] = Form(None),
+):
+    """
+    Classify brain tumor type from an MRI image.
+
+    Returns: predicted class, confidence, all probabilities, AI medical report.
+
+    Optional form fields: age, gender, symptoms, chronic_diseases, medications
+    """
+    _require("brain")
+    import cv2
+
+    img_pil = await read_image(file)
+    img_np  = np.array(img_pil.convert("RGB"))
+    img_np  = cv2.resize(img_np, (224, 224))
+    arr     = img_np.astype(np.float32) / 255.0
+    arr     = np.expand_dims(arr, 0)
+
+    probs = MODELS["brain"].predict(arr, verbose=0)[0]
+    idx   = int(np.argmax(probs))
+    confidence = round(float(probs[idx]) * 100, 2)
+
+    rec    = RECOMMENDATIONS.get(BRAIN_CLASSES[idx], {})
+    report = generate_medical_report(
+        model_type="brain",
+        predicted_class=BRAIN_CLASSES[idx],
+        disease_name=rec.get("disease_name", BRAIN_CLASSES[idx]),
+        confidence=confidence,
+        age=age, gender=gender, symptoms=symptoms,
+        chronic_diseases=chronic_diseases, medications=medications,
+    )
+    return {
+        "model": "brain",
+        "predicted_class": BRAIN_CLASSES[idx],
+        "confidence": confidence,
+        "all_probabilities": {
+            BRAIN_CLASSES[i]: round(float(p) * 100, 2)
+            for i, p in enumerate(probs)
+        },
+        "disease_info": {
+            "disease_name": rec.get("disease_name", ""),
+            "description": rec.get("description", ""),
+            "recommendations": rec.get("recommendations", []),
+        },
+        "medical_report": report,
+    }
+
+
+# ══════════════════════════════════════════════════════════════════════════════
+# 5 ─ HEART
+# ══════════════════════════════════════════════════════════════════════════════
+@app.post("/predict/heart")
+async def predict_heart(
+    file: UploadFile = File(...),
+    age: Optional[int] = Form(None),
+    gender: Optional[str] = Form(None),
+    symptoms: Optional[str] = Form(None),
+    chronic_diseases: Optional[str] = Form(None),
+    medications: Optional[str] = Form(None),
+):
+    """
+    Heart segmentation from a CT scan image.
+
+    Returns:
+      - heart_area_ratio (%)
+      - assessment (normal / slightly_large / abnormally_large / not_detected)
+      - mask stats
+      - AI medical report
+
+    Optional form fields: age, gender, symptoms, chronic_diseases, medications
+    """
+    _require("heart")
+
+    img = await read_image(file)
+    arr = np.array(img.convert("L").resize((128, 128)), dtype=np.float32) / 255.0
+    arr = np.expand_dims(arr, (0, 3))
+
+    mask     = MODELS["heart"].predict(arr, verbose=0)[0, :, :, 0]
+    mask_bin = (mask > 0.5).astype(np.uint8)
+    ratio    = float(np.sum(mask_bin)) / (128 * 128)
+
+    if ratio < 0.01:
+        assessment = "not_detected"
+    elif ratio < 0.15:
+        assessment = "normal"
+    elif ratio < 0.35:
+        assessment = "slightly_large"
+    else:
+        assessment = "abnormally_large"
+
+    confidence = round(float(np.max(mask)) * 100, 2)
+    mask_b64    = _mask_to_base64(mask, colormap="hot")
+    overlay_b64 = _overlay_to_base64(img, mask, size=(128, 128))
+    rec    = RECOMMENDATIONS.get(assessment, {})
+    report = generate_medical_report(
+        model_type="heart",
+        predicted_class=assessment,
+        disease_name=rec.get("disease_name", assessment),
+        confidence=confidence,
+        age=age, gender=gender, symptoms=symptoms,
+        chronic_diseases=chronic_diseases, medications=medications,
+    )
+    return {
+        "model": "heart",
+        "task": "segmentation",
+        "heart_area_ratio_percent": round(ratio * 100, 2),
+        "assessment": assessment,
+        "mask_stats": {
+            "mean_activation": round(float(np.mean(mask)), 4),
+            "max_activation":  round(float(np.max(mask)), 4),
+            "detected_pixels": int(np.sum(mask_bin)),
+        },
+        "segmentation": {
+            "mask_image_base64": mask_b64,
+            "overlay_image_base64": overlay_b64,
+        },
+        "disease_info": {
+            "disease_name": rec.get("disease_name", ""),
+            "description": rec.get("description", ""),
+            "recommendations": rec.get("recommendations", []),
+        },
+        "medical_report": report,
+    }
+
+
+# ══════════════════════════════════════════════════════════════════════════════
+# 6 ─ LUNG (PyTorch)
+# ══════════════════════════════════════════════════════════════════════════════
+LUNG_CLASSES = [
+    "Tuberculosis", "Pneumonia-Viral", "Pneumonia-Bacterial",
+    "Normal", "Emphysema", "Covid-19",
+]
+
+
+@app.post("/predict/lung")
+async def predict_lung(
+    file: UploadFile = File(...),
+    age: Optional[int] = Form(None),
+    gender: Optional[str] = Form(None),
+    symptoms: Optional[str] = Form(None),
+    chronic_diseases: Optional[str] = Form(None),
+    medications: Optional[str] = Form(None),
+):
+    """
+    Classify chest X-ray disease (6 classes).
+
+    Returns: predicted class, confidence, all probabilities, AI medical report.
+
+    Optional form fields: age, gender, symptoms, chronic_diseases, medications
+    """
+    _require("lung")
+    import torch
+    import albumentations as A
+    from albumentations.pytorch import ToTensorV2
+
+    transform = A.Compose([
+        A.Resize(224, 224),
+        A.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
+        ToTensorV2(),
+    ])
+
+    img  = await read_image(file)
+    arr  = np.array(img.convert("RGB"))
+    t    = transform(image=arr)["image"].unsqueeze(0)
+
+    with torch.no_grad():
+        probs = torch.softmax(MODELS["lung"](t), dim=1).squeeze().numpy()
+
+    idx        = int(np.argmax(probs))
+    confidence = round(float(probs[idx]) * 100, 2)
+
+    rec    = RECOMMENDATIONS.get(LUNG_CLASSES[idx], {})
+    report = generate_medical_report(
+        model_type="lung",
+        predicted_class=LUNG_CLASSES[idx],
+        disease_name=rec.get("disease_name", LUNG_CLASSES[idx]),
+        confidence=confidence,
+        age=age, gender=gender, symptoms=symptoms,
+        chronic_diseases=chronic_diseases, medications=medications,
+    )
+    return {
+        "model": "lung",
+        "predicted_class": LUNG_CLASSES[idx],
+        "confidence": confidence,
+        "all_probabilities": {
+            LUNG_CLASSES[i]: round(float(p) * 100, 2)
+            for i, p in enumerate(probs)
+        },
+        "disease_info": {
+            "disease_name": rec.get("disease_name", ""),
+            "description": rec.get("description", ""),
+            "recommendations": rec.get("recommendations", []),
+        },
+        "medical_report": report,
+    }
+
+
+# ══════════════════════════════════════════════════════════════════════════════
+# 7 ─ KIDNEY
+# ══════════════════════════════════════════════════════════════════════════════
+KIDNEY_CLASSES = ["Cyst", "Normal", "Stone", "Tumor"]
+
+
+@app.post("/predict/kidney")
+async def predict_kidney(
+    file: UploadFile = File(...),
+    age: Optional[int] = Form(None),
+    gender: Optional[str] = Form(None),
+    symptoms: Optional[str] = Form(None),
+    chronic_diseases: Optional[str] = Form(None),
+    medications: Optional[str] = Form(None),
+):
+    """
+    Classify kidney disease from a CT scan image.
+
+    Returns: predicted class, confidence, all probabilities, AI medical report.
+
+    Optional form fields: age, gender, symptoms, chronic_diseases, medications
+    """
+    _require("kidney")
+
+    img  = await read_image(file)
+    arr  = np.array(img.convert("L").resize((200, 200)), dtype=np.float32) / 255.0
+    arr  = arr.reshape(1, 200, 200, 1)
+
+    probs      = MODELS["kidney"].predict(arr, verbose=0)[0]
+    idx        = int(np.argmax(probs))
+    confidence = round(float(probs[idx]) * 100, 2)
+
+    rec    = RECOMMENDATIONS.get(KIDNEY_CLASSES[idx], {})
+    report = generate_medical_report(
+        model_type="kidney",
+        predicted_class=KIDNEY_CLASSES[idx],
+        disease_name=rec.get("disease_name", KIDNEY_CLASSES[idx]),
+        confidence=confidence,
+        age=age, gender=gender, symptoms=symptoms,
+        chronic_diseases=chronic_diseases, medications=medications,
+    )
+    return {
+        "model": "kidney",
+        "predicted_class": KIDNEY_CLASSES[idx],
+        "confidence": confidence,
+        "all_probabilities": {
+            KIDNEY_CLASSES[i]: round(float(p) * 100, 2)
+            for i, p in enumerate(probs)
+        },
+        "disease_info": {
+            "disease_name": rec.get("disease_name", ""),
+            "description": rec.get("description", ""),
+            "recommendations": rec.get("recommendations", []),
+        },
+        "medical_report": report,
+    }

model_lung.py

@@ -0,0 +1,54 @@
+import torch
+import torch.nn as nn
+from torchvision import models
+
+
+class AttentionBlock(nn.Module):
+    def __init__(self, in_features: int):
+        super().__init__()
+        self.attention = nn.Sequential(
+            nn.Linear(in_features, in_features // 8),
+            nn.ReLU(inplace=True),
+            nn.Linear(in_features // 8, in_features),
+            nn.Sigmoid(),
+        )
+
+    def forward(self, x: torch.Tensor) -> torch.Tensor:
+        return x * self.attention(x)
+
+
+class HybridModel(nn.Module):
+    """ResNet-152 + EfficientNet-B5 hybrid with attention classifier."""
+
+    def __init__(self, num_classes: int = 6):
+        super().__init__()
+
+        # ── ResNet-152 backbone ──
+        self.resnet = models.resnet152(weights=None)
+        resnet_features = self.resnet.fc.in_features
+        self.resnet.fc = nn.Identity()
+
+        # ── EfficientNet-B5 backbone ──
+        self.effnet = models.efficientnet_b5(weights=None)
+        effnet_features = self.effnet.classifier[1].in_features
+        self.effnet.classifier = nn.Identity()
+
+        combined = resnet_features + effnet_features
+
+        self.classifier = nn.Sequential(
+            nn.Dropout(p=0.5),
+            nn.Linear(combined, 1024),
+            nn.BatchNorm1d(1024),
+            nn.ReLU(inplace=True),
+            AttentionBlock(1024),
+            nn.Dropout(p=0.4),
+            nn.Linear(1024, 512),
+            nn.BatchNorm1d(512),
+            nn.ReLU(inplace=True),
+            nn.Dropout(p=0.3),
+            nn.Linear(512, num_classes),
+        )
+
+    def forward(self, x: torch.Tensor) -> torch.Tensor:
+        feats = torch.cat((self.resnet(x), self.effnet(x)), dim=1)
+        return self.classifier(feats)

requirements.txt

@@ -0,0 +1,15 @@
+fastapi>=0.111.0
+uvicorn[standard]>=0.29.0
+python-multipart>=0.0.9
+Pillow>=10.3.0
+numpy>=1.26.0
+opencv-python-headless>=4.9.0
+tensorflow==2.15.0
+torch>=2.2.0
+torchvision>=0.17.0
+albumentations>=1.4.0
+pydantic>=2.7.0
+annotated-doc>=0.0.2
+huggingface_hub>=0.20.0
+matplotlib>=3.7.0
+