FeliniAI — Detector de Alergias Felinas Detectar alergias en gatos con IA: visión artificial y test

Python MobileNetV2 XGBoost SHAP Optuna Groq LLaMA FastAPI PyTorch Roboflow Transfer Learning Veterinaria IA
FeliniAI — Detector de Alergias Felinas

FeliniAI — El diagnóstico diferencial que tu veterinario necesita antes de la visita

Las alergias felinas afectan al 15-30% de los gatos domésticos y son la principal causa de visitas dermatológicas veterinarias. El problema: distinguir entre los 4 tipos de alergia (pulgas, alimentaria, ambiental, contacto) requiere semanas de pruebas diagnósticas y múltiples visitas. FeliniAI comprime ese proceso en un análisis de 10 segundos que el dueño puede hacer antes de llamar al veterinario.

Triple Pipeline de Diagnóstico

  • Módulo Visual (MobileNetV2): detecta síntomas cutáneos en fotografías — alopecia, dermatitis miliar, placas eosinofílicas, parásitos externos. Fine-tuning sobre ~20.000 imágenes felinas aumentadas. CPU-viable: 2-4h de entrenamiento.
  • Módulo Clínico (XGBoost + ICADA): 33 features codificando los 10 criterios oficiales de la International Committee on Allergic Diseases of Animals, síntomas primarios con escala de intensidad 1-5, localización de lesiones multi-label, historial veterinario. F1 macro 0.97 en CV 5-fold.
  • Fusion Layer (Weighted Average): combina confianza visual (45%) con probabilidad clínica (55%). El módulo visual refuerza la señal cuando detecta parasitos_externos con alta confianza → aumenta peso de alergia_pulgas.
  • LLM (Groq + LLaMA 3.3 70B): genera recomendación de tratamiento contextualizada: manejo inmediato, cambios de entorno/dieta, señales de alarma y preguntas clave para el veterinario.

Fundamento Científico

El módulo clínico implementa los criterios ICADA (International Committee on Allergic Diseases of Animals), el estándar diagnóstico oficial para el Feline Atopic Skin Syndrome (FASS). Con 6 criterios cumplidos: 90% sensibilidad, 83% especificidad según literatura PMC/NIH. El dataset sintético de 8.000 casos replica distribuciones documentadas en PubMed y Today's Veterinary Practice.

Diferenciación Competitiva

Ninguna herramienta pública combina análisis de imagen, clasificación de tipo de alergia por síntomas Y recomendación de tratamiento en un solo flujo gratuito y explicable. PetDesk y VetAI son B2B/clínicas. Basepaws cuesta 89€ y solo hace genética. FeliniAI es el único sistema con acceso abierto y diagnóstico diferencial completo.

Stack Técnico

Python · FastAPI · MobileNetV2 (PyTorch) · XGBoost · SHAP · Optuna · Groq · LLaMA 3.3 70B · Roboflow · HuggingFace Datasets

Integración, datos y licencia

  • Integración: API REST propia (FastAPI) con 6 endpoints documentados en el repositorio; se puede consumir desde cualquier lenguaje o plataforma, con especificación OpenAPI autogenerada.
  • Tratamiento de datos: la demo pública envía a Groq (LLaMA) únicamente el contenido necesario para generar la respuesta. No se almacenan las conversaciones en base de datos ni se asocian a ninguna identidad. En un despliegue propio decides tú el proveedor — incluido un modelo local, con el que ningún dato sale de tu infraestructura.
  • Nota: La clasificación de imagen (MobileNetV2) se ejecuta localmente; el LLM solo redacta la explicación. Demostración técnica: no sustituye el criterio veterinario.
  • Licencia: MIT — uso libre, incluido comercial, manteniendo el aviso de copyright. El repositorio contiene la aplicación completa y puede desplegarse en infraestructura propia. El código es gratuito; los costes de motor de IA, infraestructura, implantación y mantenimiento corren por cuenta de quien lo despliega (no se ofrece soporte ni consultoría).

¿Cómo lo integro?

Disponible ahora: API REST con análisis por imagen, por síntomas o combinado; devuelve tipo de alergia y explicación.

Integraciones habituales en este sector (valoradas como vía recomendada; salvo que se indique lo contrario, no vienen implementadas — el código está preparado para añadirlas):

  • Software de gestión veterinaria (Qvet, Provet Cloud, Clinicalc): como ayuda al diagnóstico dentro de la ficha del paciente: la clínica sube la foto y adjunta el resultado al historial.
  • Apps para propietarios: cribado previo a la consulta, siempre indicando que no sustituye al veterinario.
  • PACS / almacenamiento de imagen: en clínicas con imagen ya digitalizada, tomar la foto directamente del repositorio existente.
Mapa del bucleDisparador: Mi gato se rasca sin parar y distinguir el tipo de alergia lleva semanas de pruebas.. Acción: Cruza la foto de la lesión con los síntomas y la estacionalidad, combinando el modelo de imagen con el tabular.. Medición: Cuál de los cuatro tipos de alergia es más probable, con su probabilidad y qué lo apoya.. Decisión: Decido si cambio el pienso, trato pulgas o voy al veterinario ya..EL BUCLE QUE CIERRAPara quien tiene un gato que serasca sin parar1DISPARADORMi gato se rasca sin parar ydistinguir el tipo dealergia lleva semanas depruebas.2ACCIÓNCruza la foto de la lesióncon los síntomas y laestacionalidad, combinandoel modelo de imagen con eltabular.3MEDICIÓNCuál de los cuatro tipos dealergia es más probable, consu probabilidad y qué loapoya.4DECISIÓNDecido si cambio el pienso,trato pulgas o voy alveterinario ya.En cada brotelo hace una personalo hace el software

Descargar el diagrama (SVG)

Resultados

0.9675
F1 Macro XGBoost
CV 5-fold sobre 8.000 casos SINTÉTICOS (ICADA) — coherencia interna del esquema, no rendimiento clínico real
88.9%
Accuracy Visual
split LIMPIO por foto original (grupos disjuntos train/val, 1.560 imgs val) — reentrenado 2026-06-11 tras detectar fuga de augmentación que inflaba la cifra a 93.4%
4
Tipos de alergia
pulgas · alimentaria · ambiental · contacto
33
Features clínicos
10 criterios ICADA oficiales
<1s
Tiempo inferencia
CPU-only, sin GPU
8.000
Casos de entrenamiento
Dataset sintético ICADA

Funcionalidades implementadas

  • 🔬 Triple pipeline único. Visión computacional + síntomas clínicos + LLM en un solo flujo. Ninguna herramienta pública ofrece este nivel de integración.
  • 📋 Criterios ICADA oficiales. Los 10 criterios del estándar internacional para FASS codificados como features ML. Base científica validada (PMC/NIH).
  • 🧠 Explicabilidad SHAP. Waterfall plots muestran exactamente qué síntomas determinaron el diagnóstico. Transparencia total del modelo.
  • ⚕️ Diseño responsable. Disclaimer veterinario integrado en cada respuesta. El sistema orienta, no diagnostica. Acceso gratuito y abierto.
  • 💻 CPU-only, sin GPU. Desplegable en cualquier VPS estándar. MobileNetV2 + XGBoost: inferencia <1s sin hardware especializado.

Límites

Lo que no hace

  • No diagnostica: es una orientación previa, el diagnóstico lo hace el veterinario.
  • Distingue cuatro tipos y ninguno más: pulgas, alimentaria, ambiental y de contacto.
  • No sirve para otra especie: los modelos están entrenados con gatos.

Decisiones

Por qué está construido así

  • MobileNetV2 en CPU en vez de una red de visión grande con GPU

    Corre en el mismo servidor que el resto del portfolio, sin GPU, y la inferencia se queda por debajo del segundo.

  • Imagen y síntomas en modelos separados en vez de un único modelo que lo coma todo junto

    Un modelo único obligaría a tener siempre foto y cuestionario. Separados, cada fuente aporta lo que tenga y el otro sigue funcionando.

Try Live Demo View Code

Cómo está construido

→ FeliniAI: un triple pipeline (visión + clínico + LLM) para detectar alergias felinas con F1 0.97 Una sola red neuronal no basta para un diagnóstico fiable. Combiné visión (MobileNetV2), un clasificador clínico XGBoost con criterios ICADA y un LLM en un sistema d...