Mountata/ediscan-africa

# 🏥 MediScan Africa — Plateforme Intelligente de Diagnostic Médical **Projet P-10 — AWS Cloud Foundations** Institut Supérieur d'Informatique de Dakar Année 2025–2026 --- ## 🎯 Description Plateforme web permettant à un professionnel de santé de premier niveau d'entrer les données d'un patient et de recevoir immédiatement des diagnostics différentiels classés par probabilité. **⚠️ Note éthique : Projet académique uniquement. Ne pas utiliser cliniquement.** --- ## 🏗️ Architecture AWS ``` Internet → EC2 (API Flask) → Aurora MySQL (consultations) → DynamoDB (cache 24h) → S3 (modèles ML versionnés) → Lambda (rotation modèles) → CloudWatch (monitoring) ``` --- ## 🤖 Modèles ML | Scénario | Dataset | Algorithme | Métrique prioritaire | |----------|---------|-----------|---------------------| | Diabète | Pima Indians (768 cas) | Random Forest | Sensibilité | | Cancer du sein | Wisconsin (569 cas) | SVM / RF | VPP (précision) | | Paludisme | NIH Cell Images (27K) | CNN MobileNetV2 | Sensibilité | --- ## 🚀 Installation et Lancement ### 1. Cloner et installer ```bash git clone cd mediscan-africa python -m venv venv venv\Scripts\activate # Windows pip install -r api/requirements.txt ``` ### 2. Télécharger les datasets ``` data/diabetes.csv ← Kaggle: pima-indians-diabetes-database data/breast_cancer.csv ← Kaggle: breast-cancer-wisconsin-data data/cell_images/ ← Kaggle: cell-images-for-detecting-malaria ``` ### 3. Entraîner les modèles ```bash cd mediscan-africa python notebooks/01_diabete.py python notebooks/02_cancer.py python notebooks/03_paludisme.py ``` ### 4. Lancer l'API ```bash python api/app.py # → localhost ``` --- ## 🧪 Tests API | Endpoint | Méthode | Description | |----------|---------|-------------| | /health | GET | Statut de l'API | | /diagnostic | POST | Diagnostic ML | | /patient/{id}/historique | GET | Historique patient | | /stats/aggregees | GET | Statistiques anonymisées | | /features/{ …