白癜风AI诊断系统

一个基于PyTorch的白癜风分期AI诊断系统，支持临床皮损照片和伍德灯照片的双图分析。

🚀 快速开始

整个项目整体上分为三种： css+html+javascript css:样式语法 html:网页结构和内容 javascript:交互式功能

1. 安装依赖

pip install -r requirements.txt

2. 放置模型文件

将训练好的PyTorch模型文件放到 model/best_model.pth

如果没有模型文件，系统将使用模拟数据运行，你仍然可以测试界面功能

3. 启动服务

python3 start.py

或者直接运行：

python app.py

4. 访问系统

打开浏览器，访问：http://localhost:8080

📁 项目结构

daily/
├── app.py                 # Flask后端API服务
├── start.py              # 启动脚本（推荐使用）
├── requirements.txt      # Python依赖包
├── README.md            # 项目说明
├── change_cup/          # 前端静态文件
│   └── index.html       # 主页面
├── model/               # 模型文件目录
│   ├── README.md        # 模型使用说明
│   └── best_model.pth   # 你的PyTorch模型（需要自己放置）
├── uploads/             # 用户上传的图片存储
└── prediction_logs.json # 预测记录日志

🔧 功能特性

• ✅ 双图分析: 支持临床皮损照片 + 伍德灯照片
• ✅ AI预测: 自动判断白癜风分期（稳定期/进展期）
• ✅ 置信度显示: 提供预测的置信度百分比
• ✅ 详细分析: 展示模型的判断过程和分析步骤
• ✅ 错误处理: 完善的错误提示和异常处理
• ✅ 日志记录: 自动记录所有预测结果
• ✅ 响应式设计: 支持不同设备访问

🖥️ 系统要求

• Python 3.7+
• PyTorch 1.12+
• 内存: 至少2GB RAM
• 存储: 至少1GB可用空间
• GPU: 可选，但推荐用于更快的推理速度

🔧 自定义模型

模型要求

• 输入: 224x224 RGB图像
• 输出: 2分类 [稳定期, 进展期]
• 格式: PyTorch (.pth) 模型文件

修改模型架构

如果你的模型不是ResNet50，请修改 app.py 中的 load_model() 函数：

def load_model():
    global model
    try:
        # 替换为你的模型架构
        model = YourCustomModel(num_classes=2)  # 你的模型
        
        model_path = 'model/best_model.pth'
        model.load_state_dict(torch.load(model_path, map_location=device))
        model.to(device)
        model.eval()
    except Exception as e:
        print(f"模型加载失败: {e}")
        model = None

双图输入模型

如果你的模型需要同时处理两张图片，请修改 predict_with_model() 函数：

# 示例：拼接两张图片
combined_input = torch.cat([clinical_tensor, woods_tensor], dim=1)
outputs = model(combined_input)

# 或者：分别提取特征后融合
clinical_features = model.backbone(clinical_tensor)
woods_features = model.backbone(woods_tensor)
outputs = model.classifier(torch.cat([clinical_features, woods_features], dim=1))

📊 API接口

预测接口

POST /predict

请求参数：

• clinical_image: 临床皮损照片文件
• woods_image: 伍德灯照片文件

响应格式：

{
  "final_prediction": "进展期",
  "confidence": "87.5%",
  "details": [
    {"prompt": "临床图像特征分析", "answer": "进展期概率: 0.875"},
    {"prompt": "伍德灯图像特征分析", "answer": "边界模糊特征检测"},
    ...
  ]
}

健康检查接口

GET /health

响应格式：

{
  "status": "healthy",
  "model_loaded": true,
  "device": "cuda:0",
  "timestamp": "2024-01-20T10:30:00"
}

🌐 部署到服务器

本地部署

系统默认运行在 localhost:8080，可以在局域网内访问。

云服务器部署

1. 上传代码到服务器
2. 安装依赖: pip install -r requirements.txt
3. 放置模型文件: 上传你的 .pth 模型到 model/ 目录
4. 启动服务: python start.py
5. 配置防火墙: 开放8080端口
6. 域名绑定: 可选，绑定域名或使用IP访问

使用Docker部署

FROM python:3.8-slim

WORKDIR /app
COPY requirements.txt .
RUN pip install -r requirements.txt

COPY . .
EXPOSE 8080

CMD ["python", "app.py"]

🐛 故障排除

常见问题

1. 模型加载失败

   • 检查模型文件路径是否正确
   • 确认模型架构与代码中定义的一致
   • 查看终端错误信息

2. 依赖包安装失败

   • 更新pip: pip install --upgrade pip
   • 使用国内镜像: pip install -i https://pypi.tuna.tsinghua.edu.cn/simple -r requirements.txt

3. GPU不可用

   • 系统会自动降级到CPU运行
   • 安装GPU版本PyTorch: pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118

4. 端口被占用

   • 修改 app.py 中的端口号
   • 或者杀死占用8080端口的进程
   • macOS用户注意：5000端口被AirPlay占用，我们默认使用8080端口

📝 更新日志

• v1.0.0: 初始版本，支持双图AI诊断
• 支持PyTorch模型加载和推理
• 响应式Web界面
• 完整的错误处理和日志记录

📄 许可证

MIT License

🤝 贡献

欢迎提交Issue和Pull Request！

---

如果有任何问题，请查看 model/README.md 或提交Issue。