---
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 :
```json
{"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](https://github.com/Rian-T/french-medgliner). MIT, recherche.