rntc / mc-bio-gliner-lymphome-ecrf-large

mc-bio-gliner-lymphome-ecrf-large

Extraction de 89 champs d'eCRF depuis un dossier patient longitudinal français (~22 000 caractères, plusieurs comptes-rendus successifs). Encodeur de 395 M paramètres, un seul passage sur le document.

La sortie est une valeur canonique. Selon le champ, elle coïncide avec le texte du span (« veuve » → veuve ) ou en diffère (« patiente » → femme , « le 8 avril 2017 » → 2017-04-15 , « phénotype non germinal » → NGC ).

Utilisation

pip install gliner2 torch huggingface_hub

from modeling_assign import ECRFExtractor          # fourni dans ce dépôt

m = ECRFExtractor.from_pretrained("rntc/mc-bio-gliner-lymphome-ecrf-large", device="cuda")
ecrf = m.extract(open("dossier.txt").read())

extract rend, pour chacun des 81 champs non textuels :

{
  "value": "2017-04-15",               # None si le modèle s'abstient
  "span":  "le 8 avril 2017",          # span source
  "start": 1247, "end": 1262,          # offsets caractère dans le texte
  "confidence": 0.83,                  # masse agrégée de la valeur ; sert au seuillage
  "normalization_confidence": 0.97,    # confiance de la normalisation span -> valeur
  "source": "text"                     # ou "vocabulary"
}

source = "text" : la valeur provient d'un span du document, dont les offsets sont fournis. Elle passe par une étape de normalisation, qui peut la laisser inchangée ou la réécrire ; elle ne figure donc pas nécessairement telle quelle dans le texte. source = "vocabulary" : la valeur provient de l'ensemble des valeurs observées à l'entraînement pour ce champ, sans span source ; span vaut None et les offsets -1 .

value suit la décision du modèle. Les autres clés décrivent le meilleur candidat, y compris lorsque value est None : un seuil différent peut donc être appliqué a posteriori sans réexécuter le modèle. extract_values(texte) rend {champ: valeur} .

python predict.py --demo

Résultats

Macro-F1 par famille au niveau (document, champ), 410 documents de test, égalité de chaîne canonique. Une valeur incorrecte compte comme faux positif et comme faux négatif.

Jeu d'évaluation : rntc/lymphome-synth-v5-eval .

Les trois variantes

Même architecture et mêmes données ; seules la fenêtre de lecture à l'entraînement et la taille de l'encodeur changent.

Le dossier médian fait 22 400 caractères et 39 % des dossiers dépassaient la fenêtre de 24 000 : lire le dossier entier vaut +0.023, tandis que multiplier l'encodeur par 2,6 n'ajoute que +0.006. -ecrf-v2 est donc le meilleur rapport qualité/coût ; -ecrf-large n'a d'intérêt que si la latence n'est pas une contrainte.

Limites

Les annotations de référence sont produites par un modèle de langue, sur des documents synthétiques issus du même pipeline ; leur accord avec une annotation humaine n'a pas été mesuré. 97,4 % des cibles CAT du jeu de test figurent déjà dans le vocabulaire dérivé de l'entraînement, ce qui limite ce que ces résultats indiquent sur des valeurs non observées. Aucune évaluation n'a été conduite sur un autre corpus. Modèle de recherche, non validé pour un usage clinique. Licence MIT.