Hugging Face's logo

Datasets:
rntc
/
lymphome-synth-v5

Tasks:
Token Classification
Modalities:
Text
Formats:
parquet
Languages:
French
Size:
1K - 10K
Tags:
gliner
biomedical
french
lymphoma
ner
ecrf
Libraries:
Datasets
pandas
Polars
License:
Dataset card Data Studio Files
xet
 Community
1
lymphome-synth-v5 / README.md
rntc's picture
rntc
Upload README.md with huggingface_hub
e06d8ae verified
preview code
|
Raw History Blame Contribute Delete
2.7 kB
metadata 
license: mit
language: fr
task_categories:
  - token-classification
tags:
  - gliner
  - biomedical
  - french
  - lymphoma
  - ner
  - ecrf
  - synthetic
  - span-localized

lymphome-synth-v5 — gold TAPDL span-localisé

Jeu d'évaluation (NER open-vocab / extraction eCRF) : 2050 dossiers cliniques lymphome synthétiques multi-comptes-rendus (~89 champs eCRF), gold span-localisé. Split déterministe seed 0 : 1640 train / 410 test.

Quoi de neuf vs rntc/lymphome-synth-v4

Le gold v4 était une re-extraction LLM libre depuis les CR → spans partagés entre champs (26%), valeurs hors de leur span (62%), role-binding (1L/2L) deviné → plafond mécanique de l'éval span-overlap (un span tagué à K champs ne peut matcher qu'1 prédiction).

v5 = reconstruction TAPDL (Truth-Anchored Per-Document Localization) :

  • on ancre sur la timeline de référence (vérité structurée du pipeline de génération) et on localise par compte-rendu : chaque champ est routé à son CR daté via focus_event_indices → role-binding structurel (le CR fixe la ligne, pas de devinette) ;
  • extraction per-CR (Qwen3-235B, guided JSON) de {champ, span} puis validation programmatique : span = sous-chaîne exacte (100%), anti-partage (1 span ↔ 1 champ garanti), dédup.
  • Un span peut impliquer la valeur sans la contenir (« patiente »→sexe, « Marseille »→habitat) : c'est volontaire et aligné sur le fonctionnement de GLiNER (span-overlap).

Statut : silver-as-gold (annotateur LLM), destiné au travail avant une annotation humaine.

Stats v5

  • 2050 dossiers (1640 train / 410 test) ; ~237k spans gold ; 89/89 champs couverts.
  • Gates : substring exacte 100%, 0 offset partagé entre champs.

Format

JSONL, une ligne = un dossier :

{"id": "lym_8", "sample_index": 8, "split": "test",
 "text": "<full_clinical_text>",
 "gold": {"demography_sexe": [[start, end, "patiente"]], ...},
 "field_labels": {"demography_sexe": {"label": "sexe", "desc": "...", "section": "demographie"}},
 "timeline_json": "...", "documents_json": "...", "cohort_label": "LBDGC",
 "annotation_v4_json": "<ancien gold, pour comparaison>"}
  • gold : {clé_eCRF: [[start_char, end_char, texte_du_span], ...]} (offsets dans text).
  • timeline_json / documents_json : provenance (vérité structurée + CR), pour audit/regénération.
  • annotation_v4_json : l'ancien gold v4, conservé pour comparaison.

Méthode

Voir le code : gen/lymphome/tapdl/ (route → annotate → assemble) et GOLD_V2_DESIGN.md dans github.com/Rian-T/french-medgliner. MIT, recherche.