🏥 Doctis AI - Assistant de Pré-diagnostic Médical

Projet de validation - Module IA Générative & Data Engineering

EFREI Paris - Promotion 2025

---

👥 Auteurs

Nom	Rôle
Adam Beloucif	Développeur Full-Stack & ML Engineer
Amina Medjdoub	Développeur Full-Stack & Data Engineer

---

📋 Description

Doctis AI est un assistant intelligent de pré-diagnostic médical. L'utilisateur décrit ses symptômes en langage naturel, et l'IA :

1. Analyse sémantiquement la description des symptômes
2. Identifie la pathologie la plus probable dans sa base de connaissances
3. Génère une réponse empathique et informative avec des recommandations

Exemple d'utilisation

👤 Patient: "J'ai mal au ventre en bas à droite depuis ce matin, avec des nausées et un peu de fièvre"

🤖 Doctis AI: "D'après l'analyse de vos symptômes, je détecte une possible Appendicite
avec un niveau de confiance de 78%. Cette condition peut être sérieuse et nécessite
une attention médicale urgente. Consultez immédiatement les urgences..."

---

🏗️ Architecture

flowchart TB
    USER["Utilisateur<br/>saisie des symptômes"]
    FRONT["Frontend Next.js<br/>React - Tailwind - Vercel"]
    API["Backend FastAPI<br/>main.py - Render - /diagnose"]
    SBERT["SBERT all-MiniLM-L6-v2<br/>embeddings des symptômes"]
    MATCH["Similarité cosinus<br/>matching vs pathologies"]
    DB["pathologies.json<br/>référentiel maladies - symptômes"]
    LLM["LLM quantizé GGUF<br/>réponse empathique - mode dégradé si absent"]
    RESULT["Pré-diagnostic<br/>pathologie - jauge de confiance"]

    USER --> FRONT
    FRONT --> API
    API --> SBERT
    SBERT --> MATCH
    DB --> MATCH
    MATCH --> LLM
    LLM --> RESULT
    RESULT --> FRONT

Loading

Stack Technique

Composant	Technologie	Hébergement
Frontend	Next.js 14, React, Tailwind CSS	Vercel
Backend	FastAPI, Python 3.11	Render
Embeddings	Sentence-Transformers (SBERT)	-
LLM	llama-cpp-python (GGUF, CPU)	-
RAG	Similarité cosinus sur embeddings	-

---

🚀 Installation

Prérequis

• Python 3.11+
• Node.js 18+
• Git

1. Cloner le repository

git clone https://github.com/Adam-Blf/Projet-IA-Generative-Doctis-AI-mo.git
cd Projet-IA-Generative-Doctis-AI-mo

2. Backend (FastAPI)

# Aller dans le dossier backend
cd backend

# Créer un environnement virtuel
python -m venv venv

# Activer l'environnement
# Windows:
venv\Scripts\activate
# Linux/Mac:
source venv/bin/activate

# Installer les dépendances
pip install -r requirements.txt

# Télécharger le modèle GGUF (voir section ci-dessous)

# Lancer le serveur
uvicorn main:app --reload --host 0.0.0.0 --port 8000

3. Frontend (Next.js)

# Aller dans le dossier frontend
cd frontend

# Installer les dépendances
npm install

# Configurer l'URL de l'API
cp .env.example .env.local
# Éditer .env.local pour définir NEXT_PUBLIC_API_URL

# Lancer le serveur de développement
npm run dev

---

📥 Téléchargement du modèle LLM

Le modèle GGUF doit être placé dans backend/models/.

Option 1 : Utiliser un modèle pré-entraîné (Recommandé pour tester)

# Créer le dossier models
mkdir -p backend/models

# Télécharger TinyLlama (léger, ~700 Mo)
wget -O backend/models/tinyllama-1.1b-chat-v1.0.Q4_K_M.gguf \
  https://huggingface.co/TheBloke/TinyLlama-1.1B-Chat-v1.0-GGUF/resolve/main/tinyllama-1.1b-chat-v1.0.Q4_K_M.gguf

Option 2 : Fine-tuner votre propre modèle

Suivez le guide dans training/TRAINING.md pour :

1. Fine-tuner Phi-3 ou TinyLlama sur des données médicales
2. Convertir le modèle en format GGUF
3. Quantifier pour optimiser la taille

---

📁 Structure du Projet

DoctisAimo/
├── backend/
│   ├── data/
│   │   └── pathologies.json    # Base de données des maladies
│   ├── models/
│   │   └── *.gguf              # Modèle LLM quantifié
│   ├── main.py                 # API FastAPI
│   └── requirements.txt        # Dépendances Python
│
├── frontend/
│   ├── src/
│   │   └── app/
│   │       ├── page.tsx        # Page principale
│   │       ├── layout.tsx      # Layout Next.js
│   │       └── globals.css     # Styles Tailwind
│   ├── package.json
│   └── tailwind.config.ts
│
├── training/
│   ├── TRAINING.md             # Guide de fine-tuning
│   └── train_colab.ipynb       # Notebook Google Colab
│
└── README.md                   # Ce fichier

---

🔌 API Endpoints

Méthode	Endpoint	Description
GET	/	Page d'accueil de l'API
GET	/health	Vérification de l'état du service
GET	/pathologies	Liste des pathologies disponibles
POST	/diagnose	Analyse des symptômes

Exemple de requête /diagnose

curl -X POST "http://localhost:8000/diagnose" \
  -H "Content-Type: application/json" \
  -d '{"symptoms": "J ai mal au ventre en bas à droite avec des nausées"}'

Exemple de réponse

{
  "success": true,
  "matched": true,
  "pathology": {
    "id": "appendicitis",
    "name": "Appendicite",
    "confidence_score": 0.782,
    "severity_level": 5,
    "urgency": "URGENCE MÉDICALE",
    "advice": "Consultez immédiatement les urgences...",
    "specialist": "Chirurgien digestif / Urgentiste"
  },
  "ai_response": "D'après l'analyse de vos symptômes...",
  "disclaimer": "Ces informations sont fournies à titre indicatif...",
  "authors": ["Adam Beloucif", "Amina Medjdoub"]
}

---

🧪 Tests

# Backend
cd backend
pytest tests/ -v

# Frontend
cd frontend
npm run test

---

🚀 Déploiement

Backend sur Render

1. Créer un nouveau Web Service sur Render
2. Connecter le repository GitHub
3. Configurer :
   • Build Command: pip install -r requirements.txt
   • Start Command: uvicorn main:app --host 0.0.0.0 --port $PORT
4. Ajouter le modèle GGUF (via stockage externe ou Git LFS)

Frontend sur Vercel

1. Importer le projet sur Vercel
2. Configurer le dossier racine : frontend
3. Ajouter la variable d'environnement :
   • NEXT_PUBLIC_API_URL: URL de votre API Render

---

⚠️ Avertissement

Ce service est fourni à titre informatif uniquement et ne remplace en aucun cas une consultation médicale professionnelle.

En cas de symptômes graves ou persistants, consultez immédiatement un médecin ou appelez les services d'urgence.

---

📄 Licence

Ce projet est sous licence MIT. Voir le fichier LICENSE pour plus de détails.

---

🙏 Remerciements

• EFREI Paris pour le module IA Générative & Data Engineering
• Hugging Face pour les modèles et datasets
• La communauté llama.cpp pour l'optimisation CPU

---

Projet réalisé par Adam Beloucif & Amina Medjdoub

EFREI Paris - 2025

---

_{Par Adam Beloucif - Data Engineer & Fullstack Developer - GitHub - LinkedIn}

Star History