🏥 Diagnóstico de Adenoidite com Machine Learning

Visão Geral do Projecto

Este projecto desenvolve uma solução de Aplicação de Machine Learning no Diagnóstico de Hipertrofia das Adenoides em Crianças de 0 a 5 Anos, um Estudo nos Hospitais Pediátricos de Benguela e Lubango, Angola. A solução inclui um backend em FastAPI, um modelo de KNN + PCA e uma API REST para predição.

Componentes Principais

• API de Machine Learning baseada em Python utilizando FastAPI.

🚀 1️⃣ Configuração Inicial

Antes de iniciar os testes, configure seu ambiente:

📌 Passos iniciais:

# Ativar o ambiente virtual
source venv/bin/activate  # Mac/Linux
venv\Scripts\activate     # Windows

# Instalar as dependências
pip install -r requirements.txt

---

📂 2️⃣ Gerar o Dataset

python -m ml.utils.dataset-generator

✅ Saída esperada:

✅ Dataset gerado com sucesso! Shape: (150, 13)

📌 O arquivo dataset.csv será salvo em data/raw/.

---

🔄 3️⃣ Executar o Pré-processamento

python -m app.preprocessamento

✅ Saída esperada:

✅ Treinamento: X shape (150, 12), y shape (150,)

📌 LabelEncoder e Scaler são salvos na pasta models/saved/.

---

📊 4️⃣ Treinar o Modelo

python -m ml.models.train data/raw/dataset.csv models/saved

✅ Saída esperada:

✅ Modelos salvos com sucesso!
🎯 Acurácia do modelo: XX.XX%

📌 Os modelos modelo_knn.joblib e modelo_pca.joblib serão salvos em models/saved/.

---

🩺 5️⃣ Testar a Predição

python -m ml.models.predict

✅ Saída esperada:

{"diagnostico": true}  # ou false

---

🖥️ 6️⃣ Testar a API via FastAPI

1️⃣ Iniciar a API:

uvicorn app.main:app --reload

✅ Saída esperada:

INFO: Uvicorn running on http://127.0.0.1:8000

2️⃣ Testar a API com curl:

curl -X 'POST' \
  'http://127.0.0.1:8000/api/v1/diagnosticar' \
  -H 'Content-Type: application/json' \
  -d '{
    "idade_mes": 48,
    "genero": "M",
    "obstrucao_nasal_persistente": 1,
    "secrecao_nasal_purulenta": 0,
    "dor_de_garganta_e_dificuldade_para_engolir": 1,
    "Febre_e_mal_estar_geral": 1,
    "linfodenopatia_cervical": 0,
    "alteracao_na_voz": 1,
    "problemas_auditivos": 0,
    "sintomas_de_infeccao_recorrente": 1,
    "disturbios_de_sono_e_desenvolvimento": 1,
    "tamanho_adenoide": 3
  }'

✅ Saída esperada:

{"diagnostico": true}  # ou false

---

📊 7️⃣ Avaliar o Modelo

python -m ml.utils.evaluation

✅ Saída esperada:

🎯 Acurácia do modelo: XX.XX%
📊 Relatório de Classificação:
...
✅ Matriz de Confusão gerada!

---

API Endpoints

• POST /api/v1/diagnosticar: ENVIAR DADOS PARA TESTAR

Docker

docker build -t adenoiditis-ml .
docker run -p 8000:8000 adenoiditis-ml

Esturuta do projecto

• app/: App FastAPI
• ml/: Código do Agente ML
• tests/: Testes Unitários
• data/: Ficheiros de dados
• models/: Modelos Salvos

## Contribuições
1. Faça o fork do repositório
2. Crie sua branch de funcionalidade
3. Faça commit das suas alterações
4. Envie (push) para a branch
5. Crie um novo Pull Request

## Licença
GNU General Public License (GPL-3.0)