Ayuda al diagnóstico

POST /diagnosis-support devuelve una lista clasificada de condiciones probables para una o más imágenes de piel, además de indicadores de riesgo y un bloque de validez de medios por imagen.

Petición

Python
JavaScript
cURL

import requests
import base64

base_url = "<base_url>"
url = f"{base_url}/diagnosis-support"

# Encode each image you want to analyse. Multiple images can be sent in
# the same request: each image becomes a separate item in `payload[]`.
image_path = "<path_to_image>"  # e.g. "lesion_image.jpg"
with open(image_path, "rb") as f:
    image_data = base64.b64encode(f.read()).decode("utf-8")

json_payload = {
    "payload": [
        {
            "contentAttachment": {
                "data": image_data,        # required base64-encoded image bytes
                "title": "Lesion close-up",  # optional free-text label for the image
                "contentType": "image/jpeg"  # optional defaults to image/png
            }
        }
        # Add more {"contentAttachment": {...}} items here for additional images.
    ]
}

headers = {
    "Content-Type": "application/json",
    "Authorization": "Bearer <access_token>"  # obtained from /login
}

response = requests.post(url, json=json_payload, headers=headers)
result = response.json()

const fs = require("fs");

const baseUrl = "<base_url>";
const imagePath = "<path_to_image>"; // e.g. "lesion_image.jpg"
const imageData = fs.readFileSync(imagePath).toString("base64");

const json_payload = {
  payload: [
    {
      contentAttachment: {
        data: imageData,             // required base64-encoded image bytes
        title: "Lesion close-up",    // optional free-text label for the image
        contentType: "image/jpeg",   // optional defaults to image/png
      },
    },
    // Add more entries for additional images.
  ],
};

const response = await fetch(`${baseUrl}/diagnosis-support`, {
  method: "POST",
  headers: {
    "Content-Type": "application/json",
    Authorization: "Bearer <access_token>",
  },
  body: JSON.stringify(json_payload),
});
const result = await response.json();

# Replace <base64_encoded_image_data> with the Base64-encoded contents of your image.
# Generate it locally with: base64 -i <path_to_image>
curl -X POST "<base_url>/diagnosis-support" \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer <access_token>" \
  -d '{
    "payload": [{
      "contentAttachment": {
        "data": "<base64_encoded_image_data>",
        "title": "Lesion close-up",
        "contentType": "image/jpeg"
      }
    }]
  }'

Campos de la petición

payload[] matriz de imágenes a analizar. Se requiere al menos una entrada; varias entradas se agregan en un único resultado.
payload[].contentAttachment (requerido) envolvente de imagen; consulte la sección compartida Image attachment para ver los campos.

La cabecera Authorization es el token de portador estándar; consulte Authentication header.

Respuesta

La respuesta sigue la forma del recurso FHIR DiagnosticReport. La parte superior de la respuesta lleva el resultado agregado; imagingAnalysis[] contiene el desglose por imagen incluyendo mapas de calor de explicabilidad.

{
  "resourceType": "DiagnosticReport",
  "identifier": {
    "use": "official",
    "value": "f426f15d-fcea-4bd0-942e-7528bf163c5d"
  },
  "status": "preliminary",
  "category": [
    {
      "coding": [
        {
          "system": "http://terminology.hl7.org/CodeSystem/v2-0074",
          "systemDisplay": "HL7 FHIR",
          "code": "IMG",
          "display": "Diagnostic Imaging"
        }
      ],
      "text": "Diagnostic imaging"
    }
  ],
  "code": {
    "coding": [
      {
        "system": "http://loinc.org/",
        "systemDisplay": "Logical Observation Identifiers Names and Codes (LOINC)",
        "code": "100063-7",
        "display": "Primary skin concern"
      }
    ],
    "text": "Skin condition analysis"
  },
  "issued": "2026-02-13T14:58:27.466367",
  "analysisDuration": 1.11359,
  "performanceIndicator": {
    "sensitivity": 66.97074175,
    "specificity": 98.58783484,
    "entropy": 8.4339413
  },
  "clinicalIndicator": {
    "hasCondition": 99.96490132,
    "pigmentedLesion": 0.53779946,
    "malignancy": 0.24731814,
    "urgentReferral": 0.67645404,
    "highPriorityReferral": 1.51389415
  },
  "conclusion": [
    {
      "code": {
        "coding": [
          {
            "system": "https://icd.who.int/browse/2025-01/mms/en",
            "systemDisplay": "ICD-11",
            "version": "2025-01",
            "code": "EA89",
            "display": "Generalised eczematous dermatitis of unspecified type"
          }
        ],
        "text": "Eczematous dermatitis"
      },
      "probability": 94.89877797
    },
    {
      "code": {
        "coding": [
          {
            "system": "https://icd.who.int/browse/2025-01/mms/en",
            "systemDisplay": "ICD-11",
            "version": "2025-01",
            "code": "1F28",
            "display": "Dermatophytosis"
          }
        ],
        "text": "Tinea"
      },
      "probability": 0.15845833
    }
    // ... 4 more shown in production for the top 5; full array contains every supported pathology.
  ],
  "imagingAnalysis": [
    {
      "mediaValidity": { /* see the "Image quality assessment" common building block */ },
      "performanceIndicator": { "entropy": 8.4339413 },
      "clinicalIndicator": { /* same shape as top-level clinicalIndicator */ },
      "conclusion": [
        {
          "code": { /* same ICD-11 coding as top-level conclusion[] */ },
          "probability": 94.8987782,
          "explainability": {
            "heatMap": { /* visual attention map for this conclusion */ }
          }
        }
        // ...
      ]
    }
  ]
}

Campos de nivel superior

Los campos FHIR de nivel superior (resourceType, identifier, status, issued, analysisDuration) siguen el FHIR response envelope compartido. Este endpoint también lleva bloques category y code que describen el tipo de informe (Diagnostic Imaging, LOINC 100063-7 "Primary skin concern"); son estáticos y pueden ignorarse en la mayoría de integraciones.

`performanceIndicator`: rendimiento del modelo para esta predicción

"performanceIndicator": {
  "sensitivity": 66.97074175,
  "specificity": 98.58783484,
  "entropy": 8.4339413
}

sensitivity la sensibilidad del modelo (tasa de verdaderos positivos, en porcentaje) en el punto operativo utilizado para esta predicción.
specificity la especificidad del modelo (tasa de verdaderos negativos, en porcentaje) en el punto operativo utilizado para esta predicción.
entropy entropía de Shannon de la distribución de probabilidad predicha. Los valores más altos significan que el modelo es más incierto acerca de qué condición está presente.

`clinicalIndicator`: indicadores de riesgo

"clinicalIndicator": {
  "hasCondition": 99.96490132,
  "pigmentedLesion": 0.53779946,
  "malignancy": 0.24731814,
  "urgentReferral": 0.67645404,
  "highPriorityReferral": 1.51389415
}

Todos los valores son porcentajes (0–100):

hasCondition probabilidad de que una condición de piel relevante esté presente en la imagen.
pigmentedLesion probabilidad de que la lesión sea pigmentada (relevante para flujos de trabajo de triaje de melanoma).
malignancy probabilidad de malignidad.
urgentReferral probabilidad de que el caso justifique derivación urgente a un especialista.
highPriorityReferral probabilidad de que el caso justifique derivación de alta prioridad (menos urgente que urgentReferral pero aún expedida).

`conclusion[]`: diagnóstico diferencial clasificado

{
  "code": {
    "coding": [
      {
        "system": "https://icd.who.int/browse/2025-01/mms/en",
        "systemDisplay": "ICD-11",
        "version": "2025-01",
        "code": "EA89",
        "display": "Generalised eczematous dermatitis of unspecified type"
      }
    ],
    "text": "Eczematous dermatitis"
  },
  "probability": 94.89877797
}

code.coding[].system URL del sistema de codificación; siempre ICD-11 para este endpoint.
code.coding[].version versión de lanzamiento de ICD-11 (por ejemplo, 2025-01).
code.coding[].code / code.coding[].display código ICD-11 y su presentación oficial.
code.text etiqueta corta y legible por humanos.
probability probabilidad predicha (0–100) para esta conclusión.

La matriz está ordenada en probabilidad descendente. En producción contiene todas las patologías soportadas (300+ entradas); solo las entradas principales son clínicamente significativas. Filtre la matriz a los 5 elementos principales para mostrar, y presente una opción "más" si desea exponer la cola larga.

`imagingAnalysis[]`: desglose por imagen

imagingAnalysis refleja el resultado de nivel superior para cada imagen de entrada individualmente (una entrada por elemento en su payload[] de solicitud). Cada entrada contiene:

mediaValidity bloque de calidad de imagen; consulte la sección Image quality assessment.
performanceIndicator.entropy incertidumbre por imagen.
clinicalIndicator indicadores de riesgo por imagen (la misma forma que el bloque de nivel superior).
conclusion[] diagnósticos clasificados por imagen; cada elemento lleva además un campo explainability.heatMap con un mapa de atención visual que destaca las regiones que el modelo utilizó para llegar a esa conclusión. Una vez decodificado, el mapa de calor es una superposición de imagen donde los colores más cálidos indican las regiones que el modelo pesó más intensamente:

Mapa de calor de explicabilidad decodificado superpuesto en la imagen de lesión original

Forma de `explainability.heatMap`

"explainability": {
  "heatMap": {
    "title": "Heat map showing which regions of the image the AI focuses its attention to predict this class.",
    "contentType": "image/jpeg",
    "data": "<base64_encoded_image_data>",
    "height": 238,
    "width": 284,
    "colorModel": "RGB"
  }
}

title descripción legible por humanos del mapa de calor.
contentType tipo MIME de la imagen codificada (típicamente image/jpeg).
data bytes de imagen codificados en Base64. Omitido del ejemplo anterior porque la carga es grande; decodifíquelo de la misma manera que cualquier otra imagen Base64.
height / width dimensiones de píxeles de la imagen decodificada.
colorModel espacio de color de la imagen decodificada (por ejemplo, RGB).

Petición​

Campos de la petición​

Respuesta​

Campos de nivel superior​

performanceIndicator: rendimiento del modelo para esta predicción​

clinicalIndicator: indicadores de riesgo​

conclusion[]: diagnóstico diferencial clasificado​

imagingAnalysis[]: desglose por imagen​

Forma de explainability.heatMap​