Add application file

app.py

@@ -1,4 +1,59 @@
 import streamlit as st
+import torch
+from transformers import BertTokenizer, BertForSequenceClassification
+
+# Load the tokenizer and model
+tokenizer = BertTokenizer.from_pretrained('caesarCITREA/crocus-bert-medical-department-classification')
+model = BertForSequenceClassification.from_pretrained('caesarCITREA/crocus-bert-medical-department-classification')
+
+# Define the department names
+departments = [
+"Kadın Hastalıkları ve Doğum", 
+"Ortopedi ve Travmatoloji" ,
+"Dermatoloji",
+"Göğüs Hastalıkları ",
+"Nöroloji",
+"Onkoloji" ,
+"Dahiliye (İç Hastalıkları)" ,
+"Kardiyoloji",
+"Psikiyatri" ,
+"Pediatri" ,
+"Nefroloji" ,
+"Fiziksel Tıp ve Rehabilitasyon" ,
+"Enfeksiyon Hastalıkları ve Klinik Mikrobiyoloji" ,
+"Üroloji" ,
+"Kulak Burun Boğaz (KBB)", 
+"Göz Hastalıkları"
+]
+
+# Function to predict the department
+def predict_department(description):
+    # Tokenize input
+    inputs = tokenizer(description, return_tensors="pt", truncation=True, padding=True)
+    
+    # Perform inference
+    with torch.no_grad():
+        outputs = model(**inputs)
+        logits = outputs.logits
+
+    # Get the department with the highest score
+    predicted_class = torch.argmax(logits, dim=1).item()
+    
+    # Return the department name
+    return departments[predicted_class]
+
+# Streamlit app interface
+st.title("Medical Department Classifier")
+
+# Input text box for the user to describe the symptoms
+description = st.text_area("Lütfen yaşadığınız tıbbi şikayetleri giriniz:")
+
+# Button to classify the input
+if st.button("Classify"):
+    if description:
+        department = predict_department(description)
+        st.write(f"Gitmeniz gereken tıbbi departman: **{department}**")
+    else:
+        st.write("Lütfen yaşadığınız durumu açıklanıyınız.")
+
 
-x = st.slider('Select a value')
-st.write(x, 'squared is', x * x)