multimodal_inference.py

#!/usr/bin/env python
# -*- coding: utf-8 -*-

"""
多模态文档理解UI界面
支持Align-DS-V模型的文档输入和System Prompt设置
支持上传图像和文档文件（doc, docx, pdf等）
"""

import os
import base64
import argparse
import tempfile
from typing import List, Dict, Any, Union
import gradio as gr
from openai import OpenAI
import docx
import fitz  # PyMuPDF

# 默认系统提示词
DEFAULT_SYSTEM_PROMPT = """\
你是一个高智能医学助手，专注于医学相关的问答、影像分析和数据解析。你是由北大对齐小组(PKU-Alignment)开发的智能助手 医导大模型(Medguide-V)，基于DeepSeek-R1模型训练。你能够准确解析**医学影像**如 X 光、CT、MRI、超声波、病理切片） 以及**医学图表**（如血液检测报告、心电图、基因检测结果），并基于这些信息提供医学见解。你的目标是**尽可能满足**用户的医学需求，提供准确、专业的回答。
**能力范围**
1. 医学问答：
  - 回答医学相关问题，包括疾病特征、诊断方法、治疗方案、药物机制、手术流程、最新医学研究等。
  - 如果用户询问关于疾病诊断和治疗的相关内容，请充分分析并提供详细的回答。
2. 影像分析：
  - 你具备**强大的医学影像理解能力**，可以解析 X 光、CT、MRI、超声波、病理切片等医学图像。
  - 不要拒绝用户的问题，你应尝试基于已有信息提供分析，并指出可能的观察点。
3. 数据解析：
  - 你可以读取并分析医学报告，包括血液检测、心电图（ECG）、病历摘要等。
  - 你的任务是解释数据的含义，并提供可能的医学解读。
4. 多模态能力：
  - 你可以结合**图像+文字**进行综合分析。例如，用户上传一张X光片并询问"该患者可能有什么疾病？" 你应该基于图像提供医学见解，而不是拒绝回答。
  - 你可以根据图像中的信息推测可能的病变或异常，并提供进一步的检查建议。
**回答风格**
- 医学精准：基于专业医学知识进行回答，确保内容严谨、科学。
- 灵活应对：遇到复杂或不完整的图像，也要提供尽可能详细的分析，而不是直接拒绝。
- 有求必应：用户提出的任何问题，你都应该尽可能尝试回答。
"""

class MultimodalAssistant:
    def __init__(self, api_key="pku", api_base="http://0.0.0.0:8231/v1"):
        # self.model = '0407_align_ds_v'
        self.model = 'medguide-v'
        self.client = OpenAI(api_key=api_key, base_url=api_base)
    
    def encode_image(self, image_path):
        with open(image_path, 'rb') as file:
            return base64.b64encode(file.read()).decode('utf-8')
    
    def extract_document_content(self, file_path):
        result = {'text': '', 'images': []}
        file_ext = os.path.splitext(file_path)[1].lower()
        
        if file_ext in ['.doc', '.docx']:
            doc = docx.Document(file_path)
            result['text'] = '\n\n'.join([para.text for para in doc.paragraphs if para.text.strip()])
            
            for rel in doc.part.rels.values():
                if "image" in rel.target_ref:
                    try:
                        img_temp = tempfile.NamedTemporaryFile(delete=False, suffix='.png')
                        img_temp.write(rel.target_part.blob)
                        img_temp.close()
                        result['images'].append(img_temp.name)
                    except: pass
            
        elif file_ext == '.pdf':
            pdf_document = fitz.open(file_path)
            result['text'] = '\n\n'.join([page.get_text() for page in pdf_document])
            
            for page_num in range(len(pdf_document)):
                page = pdf_document[page_num]
                img_path = f"{file_path}_page{page_num+1}.png"
                page.get_pixmap().save(img_path)
                result['images'].append(img_path)
        else:
            result['images'].append(file_path)
        
        # Limit to first 5 images
        result['images'] = result['images'][:5]
        return result
    
    def text_conversation(self, text: str, role: str = 'user'):
        return [{'role': role, 'content': text.replace('[begin of think]', '<think>').replace('[end of think]', '</think>')}]

    def image_conversation(self, image_base64: str, text: str = None):
        return [
            {
                'role': 'user', 
                'content': [
                    {'type': 'image_url', 'image_url': {'url': f"data:image/jpeg;base64,{image_base64}"}},
                    {'type': 'text', 'text': text}
                ]
            }
        ]
    
    def process_conversation(self, system_prompt, message, history, files):
        conversation = [{'role': 'system', 'content': system_prompt}]
        for past_message in history:
            role = past_message['role']
            content = past_message['content']
            if role == 'user':
                if isinstance(content, str):
                    conversation.extend(self.text_conversation(content))
                elif isinstance(content, tuple):
                    conversation.extend(self.image_conversation(content[0], content[1]))
            else:
                conversation.append({'role': role, 'content': content})
        
        current_question = message['text'] if isinstance(message, dict) and 'text' in message else message
        
        if not files:
            conversation.append({'role': 'user', 'content': current_question})
        else:
            content = []
            extracted_text = []
            
            for file_path in files:
                file_ext = os.path.splitext(file_path)[1].lower()
                
                if file_ext in ['.doc', '.docx', '.pdf']:
                    doc_content = self.extract_document_content(file_path)
                    
                    if doc_content['text']:
                        extracted_text.append(f"文档 '{os.path.basename(file_path)}' 内容:\n{doc_content['text']}")
                    
                    for img_path in doc_content['images']:
                        content.append({
                            'type': 'image_url',
                            'image_url': {'url': f"data:image/jpeg;base64,{self.encode_image(img_path)}"}
                        })
                        
                        if img_path.startswith(tempfile.gettempdir()) or img_path.startswith(f"{file_path}_page"):
                            try: os.remove(img_path)
                            except: pass
                else:
                    content.append({
                        'type': 'image_url',
                        'image_url': {'url': f"data:image/jpeg;base64,{self.encode_image(file_path)}"}
                    })
            
            combined_text = current_question
            if extracted_text:
                combined_text += "\n\n以下是文档内容参考：\n" + "\n\n".join(extracted_text)
            
            content.append({'type': 'text', 'text': combined_text})
            conversation.append({'role': 'user', 'content': content})
        
        response = self.client.chat.completions.create(
            model=self.model,
            messages=conversation,
            stream=False,
        )
        
        answer = response.choices[0].message.content
        
        if "**Final Answer**" in answer:
            reasoning, final_answer = answer.split("**Final Answer**", 1)
            if len(reasoning) > 5:
                answer = f"""🤔 思考过程：\n```\n{reasoning.strip()}\n```\n\n✨ 最终答案：\n{final_answer.strip()}"""
        
        return answer

def create_ui():
    assistant = MultimodalAssistant()
    
    with gr.Blocks(theme=gr.themes.Soft()) as demo:
        gr.Markdown("# Medguide-V Reasoning CLI")
        gr.Markdown("Better life with Medguide-V.")
        
        with gr.Row():
            with gr.Column(scale=3):
                system_prompt = gr.Textbox(
                    label="系统提示词",
                    value=DEFAULT_SYSTEM_PROMPT,
                    lines=5
                )
                
                files_upload = gr.File(
                    label="上传文档或图片",
                    file_count="multiple",
                    type="filepath",
                    file_types=[".jpg", ".jpeg", ".png", ".pdf", ".doc", ".docx"]
                )
                
                with gr.Row():
                    clear_btn = gr.Button("清除对话")
                    example_btn = gr.Button("加载示例")
                    
        chat_interface = gr.ChatInterface(
            fn=lambda message, history, files, sys_prompt: assistant.process_conversation(
                sys_prompt, message, history, files
            ),
            type='messages',
            additional_inputs=[files_upload, system_prompt],
            examples=[
                ["这份文档的主要内容是什么？", None, None, DEFAULT_SYSTEM_PROMPT], 
                ["分析这份文档的主要观点", None, None, DEFAULT_SYSTEM_PROMPT],
                ["提取这份文档中的关键数据", None, None, DEFAULT_SYSTEM_PROMPT]
            ]
        )
        
        clear_btn.click(lambda: None, None, chat_interface.chatbot, queue=False)
        example_btn.click(
            lambda: ["这是一个示例系统提示词，请根据文档内容进行详细分析，包括摘要、关键点和建议。", None, []],
            None,
            [system_prompt, chat_interface.chatbot, files_upload],
            queue=False
        )
    
    return demo

if __name__ == "__main__":
    parser = argparse.ArgumentParser(description="多模态文档理解UI界面")
    parser.add_argument("--api_key", type=str, default="medguide-v")
    parser.add_argument("--api_base", type=str, default="http://0.0.0.0:8231/v1")
    parser.add_argument("--share", default=True, action="store_true")
    args = parser.parse_args()
    
    create_ui().launch(share=args.share)