File size: 49,851 Bytes
1eb76aa
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
1001
1002
1003
1004
1005
1006
1007
1008
1009
1010
1011
1012
1013
1014
1015
1016
1017
1018
1019
1020
1021
1022
1023
1024
1025
1026
1027
1028
1029
1030
1031
1032
1033
1034
1035
1036
1037
1038
1039
1040
1041
1042
1043
1044
1045
1046
1047
1048
1049
1050
1051
1052
1053
1054
1055
1056
1057
1058
1059
1060
1061
1062
1063
1064
1065
1066
1067
1068
1069
1070
1071
1072
1073
1074
1075
1076
1077
1078
1079
1080
1081
1082
1083
1084
1085
1086
1087
1088
1089
1090
1091
1092
1093
1094
1095
1096
1097
1098
1099
1100
1101
1102
1103
1104
1105
1106
1107
1108
1109
1110
1111
1112
1113
1114
1115
1116
1117
1118
1119
1120
1121
1122
1123
1124
1125
1126
1127
1128
1129
1130
1131
1132
1133
1134
1135
1136
1137
1138
1139
1140
1141
1142
1143
1144
1145
1146
1147
1148
1149
1150
1151
1152
1153
1154
1155
1156
1157
1158
1159
1160
1161
1162
1163
1164
1165
1166
1167
1168
1169
1170
1171
1172
1173
1174
1175
1176
1177
1178
1179
1180
1181
1182
1183
1184
1185
1186
1187
1188
1189
1190
import os
import re
import json
import numpy as np
from typing import List, Dict, Any, Optional, Tuple, Union
from dataclasses import dataclass
from pathlib import Path

# Core libraries
import torch
from transformers import (
    AutoTokenizer, AutoModel, AutoModelForTokenClassification,
    TrainingArguments, Trainer, pipeline, DataCollatorForTokenClassification
)
from torch.utils.data import Dataset
import torch.nn.functional as F

# Vector database
import chromadb
from chromadb.config import Settings

# Utilities
import logging
from tqdm import tqdm
import pandas as pd
from sklearn.model_selection import train_test_split

# Configure logging
logging.basicConfig(level=logging.INFO)
logger = logging.getLogger(__name__)

@dataclass
class MedicalEntity:
    """Structure pour les entités médicales extraites par NER"""
    exam_types: List[Tuple[str, float]]  # (entity, confidence)
    specialties: List[Tuple[str, float]]
    anatomical_regions: List[Tuple[str, float]]
    pathologies: List[Tuple[str, float]]
    medical_procedures: List[Tuple[str, float]]
    measurements: List[Tuple[str, float]]
    medications: List[Tuple[str, float]]
    symptoms: List[Tuple[str, float]]

class MedicalNERDataset(Dataset):
    """Dataset personnalisé pour l'entraînement NER médical"""
    
    def __init__(self, texts, labels, tokenizer, max_length=512):
        self.texts = texts
        self.labels = labels
        self.tokenizer = tokenizer
        self.max_length = max_length
    
    def __len__(self):
        return len(self.texts)
    
    def __getitem__(self, idx):
        text = self.texts[idx]
        labels = self.labels[idx]
        
        # Tokenisation
        encoding = self.tokenizer(
            text,
            truncation=True,
            padding='max_length',
            max_length=self.max_length,
            return_offsets_mapping=True,
            return_tensors='pt'
        )
        
        # Alignement des labels avec les tokens
        aligned_labels = self._align_labels_with_tokens(
            labels, encoding.offset_mapping.squeeze().tolist()
        )
        
        return {
            'input_ids': encoding.input_ids.flatten(),
            'attention_mask': encoding.attention_mask.flatten(),
            'labels': torch.tensor(aligned_labels, dtype=torch.long)
        }
    
    def _align_labels_with_tokens(self, labels, offset_mapping):
        """Aligne les labels BIO avec les tokens du tokenizer"""
        aligned_labels = []
        label_idx = 0
        
        for start, end in offset_mapping:
            if start == 0 and end == 0:  # Token spécial [CLS], [SEP], [PAD]
                aligned_labels.append(-100)  # Ignore dans la loss
            else:
                if label_idx < len(labels):
                    aligned_labels.append(labels[label_idx])
                    label_idx += 1
                else:
                    aligned_labels.append(0)  # O (Outside)
        
        return aligned_labels

class AdvancedMedicalNER:
    """NER médical avancé basé sur CamemBERT-Bio fine-tuné"""
    
    def __init__(self, model_name: str = "auto", cache_dir: str = "./models_cache"):
        self.cache_dir = Path(cache_dir)
        self.cache_dir.mkdir(exist_ok=True)
        
        # Auto-détection du meilleur modèle NER médical disponible
        self.model_name = self._select_best_model(model_name)
        self.device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
        
        # Labels BIO pour entités médicales
        self.entity_labels = [
            "O",  # Outside
            "B-EXAM_TYPES", "I-EXAM_TYPES",           # Types d'examens
            "B-SPECIALTIES", "I-SPECIALTIES",         # Spécialités médicales
            "B-ANATOMICAL_REGIONS", "I-ANATOMICAL_REGIONS", # Régions anatomiques
            "B-PATHOLOGIES", "I-PATHOLOGIES",         # Pathologies
            "B-PROCEDURES", "I-PROCEDURES",           # Procédures médicales
            "B-MEASUREMENTS", "I-MEASUREMENTS",       # Mesures/valeurs
            "B-MEDICATIONS", "I-MEDICATIONS",         # Médicaments
            "B-SYMPTOMS", "I-SYMPTOMS"                # Symptômes
        ]
        
        self.id2label = {i: label for i, label in enumerate(self.entity_labels)}
        self.label2id = {label: i for i, label in enumerate(self.entity_labels)}
        
        # Chargement du modèle NER
        self._load_ner_model()
    
    def _select_best_model(self, model_name: str) -> str:
        """Sélection automatique du meilleur modèle NER médical"""
        
        if model_name != "auto":
            return model_name
        
        # Liste des modèles par ordre de préférence
        preferred_models = [
            "almanach/camembert-bio-base",           # CamemBERT Bio français
            "Dr-BERT/DrBERT-7GB",                    # DrBERT spécialisé
            "emilyalsentzer/Bio_ClinicalBERT",       # Bio Clinical BERT
            "microsoft/BiomedNLP-PubMedBERT-base-uncased-abstract-fulltext",
            "dmis-lab/biobert-base-cased-v1.2",     # BioBERT
            "camembert-base"                         # Fallback CamemBERT standard
        ]
        
        for model in preferred_models:
            try:
                # Test de disponibilité
                AutoTokenizer.from_pretrained(model, cache_dir=self.cache_dir)
                logger.info(f"Modèle sélectionné: {model}")
                return model
            except:
                continue
        
        # Fallback ultime
        logger.warning("Utilisation du modèle de base camembert-base")
        return "camembert-base"
    
    def _load_ner_model(self):
        """Charge ou crée le modèle NER fine-tuné"""
        
        fine_tuned_path = self.cache_dir / "medical_ner_model"
        
        if fine_tuned_path.exists():
            logger.info("Chargement du modèle NER fine-tuné existant")
            self.tokenizer = AutoTokenizer.from_pretrained(fine_tuned_path)
            self.ner_model = AutoModelForTokenClassification.from_pretrained(fine_tuned_path)
        else:
            logger.info("Création d'un nouveau modèle NER médical")
            self.tokenizer = AutoTokenizer.from_pretrained(self.model_name, cache_dir=self.cache_dir)
            
            # Modèle pour classification de tokens (NER)
            self.ner_model = AutoModelForTokenClassification.from_pretrained(
                self.model_name,
                num_labels=len(self.entity_labels),
                id2label=self.id2label,
                label2id=self.label2id,
                cache_dir=self.cache_dir
            )
        
        self.ner_model.to(self.device)
        
        # Pipeline NER
        self.ner_pipeline = pipeline(
            "token-classification",
            model=self.ner_model,
            tokenizer=self.tokenizer,
            device=0 if torch.cuda.is_available() else -1,
            aggregation_strategy="simple"
        )
    
    def extract_entities(self, text: str) -> MedicalEntity:
        """Extraction d'entités avec le modèle NER fine-tuné"""
        
        # Prédiction NER
        try:
            ner_results = self.ner_pipeline(text)
        except Exception as e:
            logger.error(f"Erreur NER: {e}")
            return MedicalEntity([], [], [], [], [], [], [], [])
        
        # Groupement des entités par type
        entities = {
            "EXAM_TYPES": [],
            "SPECIALTIES": [],
            "ANATOMICAL_REGIONS": [],
            "PATHOLOGIES": [],
            "PROCEDURES": [],
            "MEASUREMENTS": [],
            "MEDICATIONS": [],
            "SYMPTOMS": []
        }
        
        for result in ner_results:
            entity_type = result['entity_group'].replace('B-', '').replace('I-', '')
            entity_text = result['word']
            confidence = result['score']
            
            if entity_type in entities and confidence > 0.7:  # Seuil de confiance
                entities[entity_type].append((entity_text, confidence))
        
        return MedicalEntity(
            exam_types=entities["EXAM_TYPES"],
            specialties=entities["SPECIALTIES"],
            anatomical_regions=entities["ANATOMICAL_REGIONS"],
            pathologies=entities["PATHOLOGIES"],
            medical_procedures=entities["PROCEDURES"],
            measurements=entities["MEASUREMENTS"],
            medications=entities["MEDICATIONS"],
            symptoms=entities["SYMPTOMS"]
        )
    
    def load_dataset(self, dataset_path: str) -> List[Dict]:
        """Charge le dataset depuis le fichier JSON"""
        try:
            with open(dataset_path, 'r', encoding='utf-8') as f:
                # Chaque ligne est un objet JSON séparé
                data = []
                for line in f:
                    if line.strip():
                        data.append(json.loads(line.strip()))
                return data
        except Exception as e:
            logger.error(f"Erreur lors du chargement du dataset: {e}")
            return []
    """
    def _text_to_bio_labels(self, text: str, entities_dict: Dict[str, List[str]]) -> List[int]:
        #Convertit le texte et les entités en labels BI en utilisant les offsets
        
        # Tokenisation du texte
        tokens = self.tokenizer.tokenize(text)
        labels = [0] * len(tokens)  # Initialisation avec "O" (Outside)
        
        # Mapping des types d'entités vers les labels BIO
        entity_type_mapping = {
            "exam_types": ("B-EXAM_TYPES", "I-EXAM_TYPES"),
            "specialties": ("B-SPECIALTIES", "I-SPECIALTIES"),
            "anatomical_regions": ("B-ANATOMICAL_REGIONS", "I-ANATOMICAL_REGIONS"),
            "pathologies": ("B-PATHOLOGIES", "I-PATHOLOGIES"),
            "procedures": ("B-PROCEDURES", "I-PROCEDURES"),
            "measurements": ("B-MEASUREMENTS", "I-MEASUREMENTS"),
            "medications": ("B-MEDICATIONS", "I-MEDICATIONS"),
            "symptoms": ("B-SYMPTOMS", "I-SYMPTOMS")
        }
        
        # Attribution des labels pour chaque type d'entité
        for entity_type, entity_list in entities_dict.items():
            if entity_type in entity_type_mapping and entity_list:
                b_label, i_label = entity_type_mapping[entity_type]
                b_label_id = self.label2id[b_label]
                i_label_id = self.label2id[i_label]
                
                for entity in entity_list:
                    # Recherche de l'entité dans le texte tokenizé
                    entity_tokens = self.tokenizer.tokenize(entity.lower())
                    text_lower = text.lower()
                    
                    # Recherche de la position de l'entité
                    start_pos = text_lower.find(entity.lower())
                    if start_pos != -1:
                        # Approximation de la position dans les tokens
                        # (méthode simplifiée - pourrait être améliorée)
                        char_to_token_ratio = len(tokens) / len(text)
                        approx_token_start = int(start_pos * char_to_token_ratio)
                        approx_token_end = min(
                            len(tokens), 
                            approx_token_start + len(entity_tokens)
                        )
                        
                        # Attribution des labels BIO
                        for i in range(approx_token_start, approx_token_end):
                            if i < len(labels):
                                if i == approx_token_start:
                                    labels[i] = b_label_id  # B- pour le premier token
                                else:
                                    labels[i] = i_label_id  # I- pour les tokens suivants
        
        return labels
    """
    def _text_to_bio_labels(self, text: str, entities_dict: Dict[str, List[str]]) -> List[int]:
        """Convertit le texte et les entités en labels BIO en utilisant les offsets (robuste)"""

        # Encodage avec offsets
        encoding = self.tokenizer(
            text,
            return_offsets_mapping=True,
            add_special_tokens=False
        )
        tokens = encoding.tokens()
        offsets = encoding["offset_mapping"]
        labels = [self.label2id["O"]] * len(tokens)  # Initialisation avec "O"

        # Mapping des types d'entités vers les labels BIO
        entity_type_mapping = {
            "exam_types": ("B-EXAM_TYPES", "I-EXAM_TYPES"),
            "specialties": ("B-SPECIALTIES", "I-SPECIALTIES"),
            "anatomical_regions": ("B-ANATOMICAL_REGIONS", "I-ANATOMICAL_REGIONS"),
            "pathologies": ("B-PATHOLOGIES", "I-PATHOLOGIES"),
            "procedures": ("B-PROCEDURES", "I-PROCEDURES"),
            "measurements": ("B-MEASUREMENTS", "I-MEASUREMENTS"),
            "medications": ("B-MEDICATIONS", "I-MEDICATIONS"),
            "symptoms": ("B-SYMPTOMS", "I-SYMPTOMS")
        }

        # Attribution des labels
        for entity_type, entity_list in entities_dict.items():
            if entity_type in entity_type_mapping and entity_list:
                b_label, i_label = entity_type_mapping[entity_type]
                b_label_id = self.label2id[b_label]
                i_label_id = self.label2id[i_label]

                for entity in entity_list:
                    start_char = text.lower().find(entity.lower())
                    if start_char == -1:
                        continue
                    end_char = start_char + len(entity)

                    # Trouver tous les tokens qui chevauchent l’entité
                    entity_token_idxs = [
                        i for i, (tok_start, tok_end) in enumerate(offsets)
                        if tok_start < end_char and tok_end > start_char
                    ]

                    if not entity_token_idxs:
                        continue

                    # Attribution BIO
                    for j, tok_idx in enumerate(entity_token_idxs):
                        if j == 0:
                            labels[tok_idx] = b_label_id
                        else:
                            labels[tok_idx] = i_label_id

        return labels

    def _prepare_training_data(self, templates_data: List[Dict]) -> Dict:
        """Prépare les données d'entraînement pour le NER à partir du dataset"""
        
        if not templates_data:
            logger.warning("Aucune donnée de template fournie")
            return {'train': MedicalNERDataset([], [], self.tokenizer)}
        
        texts = []
        labels = []
        
        logger.info(f"Préparation de {len(templates_data)} échantillons pour l'entraînement")
        
        for sample in tqdm(templates_data, desc="Conversion en format BIO"):
            try:
                text = sample['text']
                entities_dict = sample['labels']
                
                # Conversion en labels BIO
                bio_labels = self._text_to_bio_labels(text, entities_dict)
                
                texts.append(text)
                labels.append(bio_labels)
                
            except Exception as e:
                logger.error(f"Erreur lors du traitement d'un échantillon: {e}")
                continue
        
        if not texts:
            logger.error("Aucun échantillon valide trouvé pour l'entraînement")
            return {'train': MedicalNERDataset([], [], self.tokenizer)}
        
        # Division train/validation si suffisamment de données
        if len(texts) > 10:
            train_texts, val_texts, train_labels, val_labels = train_test_split(
                texts, labels, test_size=0.2, random_state=42
            )
            
            train_dataset = MedicalNERDataset(train_texts, train_labels, self.tokenizer)
            val_dataset = MedicalNERDataset(val_texts, val_labels, self.tokenizer)
            
            logger.info(f"Dataset divisé: {len(train_texts)} train, {len(val_texts)} validation")
            return {'train': train_dataset, 'eval': val_dataset}
        else:
            train_dataset = MedicalNERDataset(texts, labels, self.tokenizer)
            logger.info(f"Dataset d'entraînement: {len(texts)} échantillons")
            return {'train': train_dataset}
    
    def fine_tune_on_templates(self, templates_data: List[Dict] = None, 
                              dataset_path: str = "dataset.json",
                              output_dir: str = None, 
                              epochs: int = 3):
        """Fine-tuning du modèle NER sur des templates médicaux"""
        
        if output_dir is None:
            output_dir = self.cache_dir / "medical_ner_model"
        
        # Chargement des données
        if templates_data is None:
            logger.info(f"Chargement du dataset depuis {dataset_path}")
            templates_data = self.load_dataset(dataset_path)
        
        if not templates_data:
            logger.error("Aucune donnée disponible pour l'entraînement")
            return
        
        logger.info("Début du fine-tuning NER sur templates médicaux")
        
        # Préparation des données d'entraînement
        datasets = self._prepare_training_data(templates_data)
        
        if len(datasets['train']) == 0:
            logger.error("Dataset d'entraînement vide")
            return
        
        # Data collator pour gérer le padding
        data_collator = DataCollatorForTokenClassification(
            tokenizer=self.tokenizer,
            padding=True
        )
        
        # Configuration d'entraînement
        training_args = TrainingArguments(
            output_dir=str(output_dir),
            num_train_epochs=epochs,
            per_device_train_batch_size=8,
            per_device_eval_batch_size=8,
            warmup_steps=500,
            weight_decay=0.01,
            logging_dir=f"{output_dir}/logs",
            logging_steps=50,
            save_strategy="epoch",
            evaluation_strategy="epoch" if 'eval' in datasets else "no",
            load_best_model_at_end=True if 'eval' in datasets else False,
            metric_for_best_model="eval_loss" if 'eval' in datasets else None,
            greater_is_better=False,
            remove_unused_columns=False,
        )
        
        # Fonction de calcul des métriques
        def compute_metrics(eval_pred):
            predictions, labels = eval_pred
            predictions = np.argmax(predictions, axis=2)
            
            # Calcul de l'accuracy en ignorant les labels -100
            mask = labels != -100
            accuracy = (predictions[mask] == labels[mask]).mean()
            
            return {"accuracy": accuracy}
        
        # Trainer
        trainer = Trainer(
            model=self.ner_model,
            args=training_args,
            train_dataset=datasets['train'],
            eval_dataset=datasets.get('eval'),
            tokenizer=self.tokenizer,
            data_collator=data_collator,
            compute_metrics=compute_metrics if 'eval' in datasets else None,
        )
        
        # Entraînement
        logger.info("Début de l'entraînement...")
        trainer.train()
        
        # Sauvegarde
        trainer.save_model()
        self.tokenizer.save_pretrained(output_dir)
        
        # Recharger le modèle et le pipeline
        self._load_ner_model()
        
        logger.info(f"Fine-tuning terminé, modèle sauvé dans {output_dir}")
        
        # Affichage des métriques finales si évaluation disponible
        if 'eval' in datasets:
            eval_results = trainer.evaluate()
            logger.info(f"Métriques finales: {eval_results}")

class AdvancedMedicalEmbedding:
    """Générateur d'embeddings médicaux avancés avec cross-encoder reranking"""
    
    def __init__(self, 
                 base_model: str = "almanach/camembert-bio-base",
                 cross_encoder_model: str = "auto"):
        
        self.device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
        self.base_model_name = base_model
        
        # Modèle principal pour embeddings
        self._load_base_model()
        
        # Cross-encoder pour reranking
        self._load_cross_encoder(cross_encoder_model)
    
    def _load_base_model(self):
        """Charge le modèle de base pour les embeddings"""
        try:
            self.tokenizer = AutoTokenizer.from_pretrained(self.base_model_name)
            self.base_model = AutoModel.from_pretrained(self.base_model_name)
            self.base_model.to(self.device)
            logger.info(f"Modèle de base chargé: {self.base_model_name}")
        except Exception as e:
            logger.error(f"Erreur chargement modèle de base: {e}")
            raise
    
    def _load_cross_encoder(self, model_name: str):
        """Charge le cross-encoder pour reranking"""
        
        if model_name == "auto":
            # Sélection automatique du meilleur cross-encoder médical
            cross_encoders = [
                "microsoft/BiomedNLP-PubMedBERT-base-uncased-abstract-fulltext",
                "emilyalsentzer/Bio_ClinicalBERT",
                self.base_model_name  # Fallback
            ]
            
            for model in cross_encoders:
                try:
                    self.cross_tokenizer = AutoTokenizer.from_pretrained(model)
                    self.cross_model = AutoModel.from_pretrained(model)
                    self.cross_model.to(self.device)
                    logger.info(f"Cross-encoder chargé: {model}")
                    break
                except:
                    continue
        else:
            self.cross_tokenizer = AutoTokenizer.from_pretrained(model_name)
            self.cross_model = AutoModel.from_pretrained(model_name)
            self.cross_model.to(self.device)
    
    def generate_embedding(self, text: str, entities: MedicalEntity = None) -> np.ndarray:
        """Génère un embedding enrichi pour un texte médical"""
        
        # Tokenisation
        inputs = self.tokenizer(
            text, 
            padding=True, 
            truncation=True, 
            max_length=512,
            return_tensors="pt"
        ).to(self.device)
        
        # Génération embedding
        with torch.no_grad():
            outputs = self.base_model(**inputs)
            
        # Mean pooling
        attention_mask = inputs['attention_mask']
        token_embeddings = outputs.last_hidden_state
        input_mask_expanded = attention_mask.unsqueeze(-1).expand(token_embeddings.size()).float()
        embedding = torch.sum(token_embeddings * input_mask_expanded, 1) / torch.clamp(input_mask_expanded.sum(1), min=1e-9)
        
        # Enrichissement avec entités NER
        if entities:
            embedding = self._enrich_with_ner_entities(embedding, entities)
        
        return embedding.cpu().numpy().flatten().astype(np.float32)
    
    def _enrich_with_ner_entities(self, base_embedding: torch.Tensor, entities: MedicalEntity) -> torch.Tensor:
        """Enrichit l'embedding avec les entités extraites par NER"""
        
        # Concaténer les entités importantes avec leurs scores de confiance
        entity_texts = []
        confidence_weights = []
        
        for entity_list in [entities.exam_types, entities.specialties, 
                           entities.anatomical_regions, entities.pathologies]:
            for entity_text, confidence in entity_list:
                entity_texts.append(entity_text)
                confidence_weights.append(confidence)
        
        if not entity_texts:
            return base_embedding
        
        # Génération d'embeddings pour les entités
        entity_text_combined = " [SEP] ".join(entity_texts)
        entity_inputs = self.tokenizer(
            entity_text_combined,
            padding=True,
            truncation=True,
            max_length=256,
            return_tensors="pt"
        ).to(self.device)
        
        with torch.no_grad():
            entity_outputs = self.base_model(**entity_inputs)
            entity_embedding = torch.mean(entity_outputs.last_hidden_state, dim=1)
        
        # Fusion pondérée par les scores de confiance
        avg_confidence = np.mean(confidence_weights) if confidence_weights else 0.5
        fusion_weight = min(0.4, avg_confidence)  # Max 40% pour les entités
        
        enriched_embedding = (1 - fusion_weight) * base_embedding + fusion_weight * entity_embedding
        
        return enriched_embedding
    
    def cross_encoder_rerank(self, 
                            query: str, 
                            candidates: List[Dict],
                            top_k: int = 3) -> List[Dict]:
        """Reranking avec cross-encoder pour affiner la sélection"""
        
        if len(candidates) <= top_k:
            return candidates
        
        reranked_candidates = []
        
        for candidate in candidates:
            # Création de la paire query-candidate
            pair_text = f"{query} [SEP] {candidate['document']}"
            
            # Tokenisation
            inputs = self.cross_tokenizer(
                pair_text,
                padding=True,
                truncation=True,
                max_length=512,
                return_tensors="pt"
            ).to(self.device)
            
            # Score de similarité cross-encoder
            with torch.no_grad():
                outputs = self.cross_model(**inputs)
                # Utilisation du [CLS] token pour le score de similarité
                cls_embedding = outputs.last_hidden_state[:, 0, :]
                similarity_score = torch.sigmoid(torch.mean(cls_embedding)).item()
            
            candidate_copy = candidate.copy()
            candidate_copy['cross_encoder_score'] = similarity_score
            candidate_copy['final_score'] = (
                0.6 * candidate['similarity_score'] + 
                0.4 * similarity_score
            )
            
            reranked_candidates.append(candidate_copy)
        
        # Tri par score final
        reranked_candidates.sort(key=lambda x: x['final_score'], reverse=True)
        
        return reranked_candidates[:top_k]

class MedicalTemplateVectorDB:
    """Base de données vectorielle optimisée pour templates médicaux"""
    
    def __init__(self, db_path: str = "./medical_vector_db", collection_name: str = "medical_templates"):
        self.db_path = db_path
        self.collection_name = collection_name
        
        # ChromaDB avec configuration optimisée
        self.client = chromadb.PersistentClient(
            path=db_path,
            settings=Settings(
                anonymized_telemetry=False,
                allow_reset=True
            )
        )
        
        # Collection avec métrique de distance optimisée
        try:
            self.collection = self.client.get_collection(collection_name)
            logger.info(f"Collection '{collection_name}' chargée")
        except:
            self.collection = self.client.create_collection(
                name=collection_name,
                metadata={
                    "hnsw:space": "cosine",
                    "hnsw:M": 32,              # Connectivité du graphe
                    "hnsw:ef_construction": 200, # Qualité vs vitesse construction
                    "hnsw:ef_search": 50       # Qualité vs vitesse recherche
                }
            )
            logger.info(f"Collection '{collection_name}' créée avec optimisations HNSW")
    
    def add_template(self, 
                    template_id: str, 
                    template_text: str, 
                    embedding: np.ndarray,
                    entities: MedicalEntity,
                    metadata: Dict[str, Any] = None):
        """Ajoute un template avec métadonnées enrichies par NER"""
        
        # Métadonnées automatiques basées sur NER
        auto_metadata = {
            "exam_types": [entity[0] for entity in entities.exam_types],
            "specialties": [entity[0] for entity in entities.specialties],
            "anatomical_regions": [entity[0] for entity in entities.anatomical_regions],
            "pathologies": [entity[0] for entity in entities.pathologies],
            "procedures": [entity[0] for entity in entities.medical_procedures],
            "text_length": len(template_text),
            "entity_confidence_avg": np.mean([
                entity[1] for entity_list in [
                    entities.exam_types, entities.specialties,
                    entities.anatomical_regions, entities.pathologies
                ] for entity in entity_list
            ]) if any([entities.exam_types, entities.specialties, 
                      entities.anatomical_regions, entities.pathologies]) else 0.0
        }
        
        if metadata:
            auto_metadata.update(metadata)
        
        self.collection.add(
            embeddings=[embedding.tolist()],
            documents=[template_text],
            metadatas=[auto_metadata],
            ids=[template_id]
        )
        
        logger.info(f"Template {template_id} ajouté avec métadonnées NER automatiques")
    
    def advanced_search(self, 
                       query_embedding: np.ndarray, 
                       n_results: int = 10,
                       entity_filters: Dict[str, List[str]] = None,
                       confidence_threshold: float = 0.0) -> List[Dict]:
        """Recherche avancée avec filtres basés sur entités NER"""
        
        where_clause = {}
        
        # Filtres basés sur entités NER extraites
        if entity_filters:
            for entity_type, entity_values in entity_filters.items():
                if entity_values:
                    where_clause[entity_type] = {"$in": entity_values}
        
        # Filtre par confiance moyenne des entités
        if confidence_threshold > 0:
            where_clause["entity_confidence_avg"] = {"$gte": confidence_threshold}
        
        results = self.collection.query(
            query_embeddings=[query_embedding.tolist()],
            n_results=n_results,
            where=where_clause if where_clause else None,
            include=["documents", "metadatas", "distances"]
        )
        
        # Formatage des résultats
        formatted_results = []
        for i in range(len(results['ids'][0])):
            formatted_results.append({
                'id': results['ids'][0][i],
                'document': results['documents'][0][i],
                'metadata': results['metadatas'][0][i],
                'similarity_score': 1 - results['distances'][0][i],
                'distance': results['distances'][0][i]
            })
        
        return formatted_results

class AdvancedMedicalTemplateProcessor:
    """Processeur avancé avec NER fine-tuné et reranking cross-encoder"""
    
    def __init__(self, 
                 base_model: str = "almanach/camembert-bio-base",
                 db_path: str = "./advanced_medical_vector_db"):
        
        self.ner_extractor = AdvancedMedicalNER()
        self.embedding_generator = AdvancedMedicalEmbedding(base_model)
        self.vector_db = MedicalTemplateVectorDB(db_path)
        
        logger.info("Processeur médical avancé initialisé avec NER fine-tuné et cross-encoder reranking")
    
    def process_templates_batch(self, 
                               templates: List[Dict[str, str]] = None,
                               dataset_path: str = "dataset.json",
                               batch_size: int = 8,
                               fine_tune_ner: bool = False) -> None:
        """Traitement avancé avec option de fine-tuning NER"""
        
        # Chargement des données si templates non fournis
        if templates is None:
            logger.info(f"Chargement des templates depuis {dataset_path}")
            templates = self.ner_extractor.load_dataset(dataset_path)
            # Conversion du format dataset vers le format attendu
            templates = [
                {
                    'id': f"template_{i:04d}",
                    'text': template['text'],
                    'metadata': {'labels': template.get('labels', {})}
                }
                for i, template in enumerate(templates)
            ]
        
        if fine_tune_ner:
            logger.info("Fine-tuning du modèle NER sur les templates...")
            # Reconversion pour le fine-tuning
            training_data = [
                {
                    'text': template['text'],
                    'labels': template['metadata'].get('labels', {})
                }
                for template in templates
            ]
            self.ner_extractor.fine_tune_on_templates(training_data)
        
        logger.info(f"Traitement avancé de {len(templates)} templates")
        
        for i in tqdm(range(0, len(templates), batch_size), desc="Traitement avancé"):
            batch = templates[i:i+batch_size]
            
            for template in batch:
                try:
                    template_id = template['id']
                    template_text = template['text']
                    metadata = template.get('metadata', {})
                    
                    # NER avancé
                    entities = self.ner_extractor.extract_entities(template_text)
                    
                    # Embedding enrichi
                    embedding = self.embedding_generator.generate_embedding(template_text, entities)
                    
                    # Stockage avec métadonnées NER
                    self.vector_db.add_template(
                        template_id=template_id,
                        template_text=template_text,
                        embedding=embedding,
                        entities=entities,
                        metadata=metadata
                    )
                    
                except Exception as e:
                    logger.error(f"Erreur traitement template {template.get('id', 'unknown')}: {e}")
                    continue
    
    def find_best_template_with_reranking(self, 
                                         transcription: str,
                                         initial_candidates: int = 10,
                                         final_results: int = 3) -> List[Dict]:
        """Recherche optimale avec reranking cross-encoder"""
        
        # 1. Extraction NER de la transcription
        query_entities = self.ner_extractor.extract_entities(transcription)
        
        # 2. Génération embedding enrichi
        query_embedding = self.embedding_generator.generate_embedding(transcription, query_entities)
        
        # 3. Filtres automatiques basés sur entités extraites
        entity_filters = {}
        if query_entities.exam_types:
            entity_filters['exam_types'] = [entity[0] for entity in query_entities.exam_types]
        if query_entities.specialties:
            entity_filters['specialties'] = [entity[0] for entity in query_entities.specialties]
        if query_entities.anatomical_regions:
            entity_filters['anatomical_regions'] = [entity[0] for entity in query_entities.anatomical_regions]
        
        # 4. Recherche vectorielle initiale
        initial_candidates_results = self.vector_db.advanced_search(
            query_embedding=query_embedding,
            n_results=initial_candidates,
            entity_filters=entity_filters,
            confidence_threshold=0.6
        )
        
        # 5. Reranking avec cross-encoder
        if len(initial_candidates_results) > final_results:
            final_results_reranked = self.embedding_generator.cross_encoder_rerank(
                query=transcription,
                candidates=initial_candidates_results,
                top_k=final_results
            )
        else:
            final_results_reranked = initial_candidates_results
        
        # 6. Enrichissement des résultats avec détails NER
        for result in final_results_reranked:
            result['query_entities'] = {
                'exam_types': query_entities.exam_types,
                'specialties': query_entities.specialties,
                'anatomical_regions': query_entities.anatomical_regions,
                'pathologies': query_entities.pathologies
            }
        
        return final_results_reranked
    
    def evaluate_ner_performance(self, test_dataset_path: str = None) -> Dict[str, float]:
        """Évalue les performances du modèle NER fine-tuné"""
        
        if test_dataset_path is None:
            logger.warning("Aucun dataset de test fourni pour l'évaluation")
            return {}
        
        test_data = self.ner_extractor.load_dataset(test_dataset_path)
        if not test_data:
            logger.error("Dataset de test vide")
            return {}
        
        correct_predictions = 0
        total_entities = 0
        entity_type_stats = {}
        
        for sample in tqdm(test_data, desc="Évaluation NER"):
            text = sample['text']
            true_entities = sample['labels']
            
            # Prédiction
            predicted_entities = self.ner_extractor.extract_entities(text)
            
            # Conversion en format comparable
            predicted_dict = {
                'exam_types': [entity[0].lower() for entity in predicted_entities.exam_types],
                'specialties': [entity[0].lower() for entity in predicted_entities.specialties],
                'anatomical_regions': [entity[0].lower() for entity in predicted_entities.anatomical_regions],
                'pathologies': [entity[0].lower() for entity in predicted_entities.pathologies],
                'procedures': [entity[0].lower() for entity in predicted_entities.medical_procedures],
                'measurements': [entity[0].lower() for entity in predicted_entities.measurements],
                'medications': [entity[0].lower() for entity in predicted_entities.medications],
                'symptoms': [entity[0].lower() for entity in predicted_entities.symptoms]
            }
            
            # Comparaison
            for entity_type, true_entities_list in true_entities.items():
                if entity_type in predicted_dict:
                    predicted_entities_list = predicted_dict[entity_type]
                    
                    # Statistiques par type d'entité
                    if entity_type not in entity_type_stats:
                        entity_type_stats[entity_type] = {'correct': 0, 'total': 0}
                    
                    true_entities_lower = [entity.lower() for entity in true_entities_list]
                    
                    for true_entity in true_entities_lower:
                        total_entities += 1
                        entity_type_stats[entity_type]['total'] += 1
                        
                        if true_entity in predicted_entities_list:
                            correct_predictions += 1
                            entity_type_stats[entity_type]['correct'] += 1
        
        # Calcul des métriques
        overall_accuracy = correct_predictions / total_entities if total_entities > 0 else 0
        
        metrics = {
            'overall_accuracy': overall_accuracy,
            'total_entities': total_entities,
            'correct_predictions': correct_predictions
        }
        
        # Métriques par type d'entité
        for entity_type, stats in entity_type_stats.items():
            if stats['total'] > 0:
                accuracy = stats['correct'] / stats['total']
                metrics[f'{entity_type}_accuracy'] = accuracy
                metrics[f'{entity_type}_total'] = stats['total']
        
        logger.info(f"Évaluation NER terminée - Accuracy globale: {overall_accuracy:.4f}")
        
        return metrics
    
    def export_processed_templates(self, output_path: str = "processed_templates.json"):
        """Exporte les templates traités avec leurs embeddings et entités"""
        
        try:
            # Récupération de tous les templates de la base vectorielle
            all_results = self.vector_db.collection.get(
                include=["documents", "metadatas", "embeddings"]
            )
            
            processed_templates = []
            
            for i in range(len(all_results['ids'])):
                template_data = {
                    'id': all_results['ids'][i],
                    'text': all_results['documents'][i],
                    'metadata': all_results['metadatas'][i],
                    'embedding': all_results['embeddings'][i] if all_results.get('embeddings') else None
                }
                processed_templates.append(template_data)
            
            # Sauvegarde
            with open(output_path, 'w', encoding='utf-8') as f:
                json.dump(processed_templates, f, ensure_ascii=False, indent=2)
            
            logger.info(f"Templates traités exportés vers {output_path}")
            logger.info(f"Nombre de templates exportés: {len(processed_templates)}")
            
        except Exception as e:
            logger.error(f"Erreur lors de l'export: {e}")

# Utilitaires pour l'analyse et le debugging
class MedicalNERAnalyzer:
    """Outils d'analyse et de debugging pour le système NER médical"""
    
    def __init__(self, processor: AdvancedMedicalTemplateProcessor):
        self.processor = processor
    
    def analyze_text(self, text: str) -> Dict:
        """Analyse complète d'un texte médical"""
        
        # Extraction NER
        entities = self.processor.ner_extractor.extract_entities(text)
        
        # Génération d'embedding
        embedding = self.processor.embedding_generator.generate_embedding(text, entities)
        
        # Statistiques
        analysis = {
            'text': text,
            'text_length': len(text),
            'entities': {
                'exam_types': entities.exam_types,
                'specialties': entities.specialties,
                'anatomical_regions': entities.anatomical_regions,
                'pathologies': entities.pathologies,
                'procedures': entities.medical_procedures,
                'measurements': entities.measurements,
                'medications': entities.medications,
                'symptoms': entities.symptoms
            },
            'embedding_shape': embedding.shape,
            'entity_count_total': sum([
                len(entities.exam_types),
                len(entities.specialties),
                len(entities.anatomical_regions),
                len(entities.pathologies),
                len(entities.medical_procedures),
                len(entities.measurements),
                len(entities.medications),
                len(entities.symptoms)
            ]),
            'confidence_scores': {
                'exam_types': [conf for _, conf in entities.exam_types],
                'specialties': [conf for _, conf in entities.specialties],
                'anatomical_regions': [conf for _, conf in entities.anatomical_regions],
                'pathologies': [conf for _, conf in entities.pathologies]
            }
        }
        
        return analysis
    
    def compare_entities(self, text1: str, text2: str) -> Dict:
        """Compare les entités extraites de deux textes"""
        
        entities1 = self.processor.ner_extractor.extract_entities(text1)
        entities2 = self.processor.ner_extractor.extract_entities(text2)
        
        def entities_to_set(entities):
            all_entities = set()
            for entity_list in [entities.exam_types, entities.specialties,
                               entities.anatomical_regions, entities.pathologies]:
                for entity, _ in entity_list:
                    all_entities.add(entity.lower())
            return all_entities
        
        set1 = entities_to_set(entities1)
        set2 = entities_to_set(entities2)
        
        return {
            'text1_entities': list(set1),
            'text2_entities': list(set2),
            'common_entities': list(set1.intersection(set2)),
            'unique_to_text1': list(set1.difference(set2)),
            'unique_to_text2': list(set2.difference(set1)),
            'similarity_ratio': len(set1.intersection(set2)) / len(set1.union(set2)) if set1.union(set2) else 0
        }
    
    def generate_entity_report(self, dataset_path: str) -> Dict:
        """Génère un rapport statistique sur les entités du dataset"""
        
        dataset = self.processor.ner_extractor.load_dataset(dataset_path)
        
        entity_stats = {
            'exam_types': {},
            'specialties': {},
            'anatomical_regions': {},
            'pathologies': {},
            'procedures': {},
            'measurements': {},
            'medications': {},
            'symptoms': {}
        }
        
        total_samples = len(dataset)
        
        for sample in tqdm(dataset, desc="Analyse du dataset"):
            labels = sample.get('labels', {})
            
            for entity_type, entities in labels.items():
                if entity_type in entity_stats:
                    for entity in entities:
                        entity_lower = entity.lower()
                        if entity_lower not in entity_stats[entity_type]:
                            entity_stats[entity_type][entity_lower] = 0
                        entity_stats[entity_type][entity_lower] += 1
        
        # Génération du rapport
        report = {
            'total_samples': total_samples,
            'entity_statistics': {}
        }
        
        for entity_type, entity_counts in entity_stats.items():
            if entity_counts:
                sorted_entities = sorted(entity_counts.items(), key=lambda x: x[1], reverse=True)
                report['entity_statistics'][entity_type] = {
                    'unique_count': len(entity_counts),
                    'total_occurrences': sum(entity_counts.values()),
                    'top_10': sorted_entities[:10],
                    'average_occurrences': sum(entity_counts.values()) / len(entity_counts)
                }
        
        return report

# Exemple d'utilisation avancée
def main():
    """Exemple d'utilisation du système avancé avec fine-tuning"""
    
    # Initialisation du processeur avancé
    processor = AdvancedMedicalTemplateProcessor()
    
    # 1. Traitement des templates avec fine-tuning NER
    print("=== ÉTAPE 1: Traitement et Fine-tuning ===")
    processor.process_templates_batch(
        dataset_path="dataset.json",
        fine_tune_ner=True,  # Active le fine-tuning
        batch_size=8
    )
    
    # 2. Évaluation des performances NER (optionnel, si dataset de test disponible)
    print("\n=== ÉTAPE 2: Évaluation des performances ===")
    # metrics = processor.evaluate_ner_performance("test_dataset.json")
    # print(f"Métriques d'évaluation: {metrics}")
    
    # 3. Analyse d'un texte médical
    print("\n=== ÉTAPE 3: Analyse de texte ===")
    analyzer = MedicalNERAnalyzer(processor)
    
    test_text = """madame bacon nicole bilan œdème droit gonalgies ostéophytes
    incontinence veineuse modérée portions surale droite crurale gauche saphéniennes"""
    
    analysis = analyzer.analyze_text(test_text)
    print(f"Analyse du texte:")
    print(f"- Nombre total d'entités: {analysis['entity_count_total']}")
    print(f"- Types d'examens détectés: {analysis['entities']['exam_types']}")
    print(f"- Régions anatomiques: {analysis['entities']['anatomical_regions']}")
    print(f"- Pathologies: {analysis['entities']['pathologies']}")
    
    # 4. Recherche avec reranking
    print("\n=== ÉTAPE 4: Recherche avec reranking ===")
    best_matches = processor.find_best_template_with_reranking(
        transcription=test_text,
        initial_candidates=15,
        final_results=3
    )
    
    # Affichage des résultats
    for i, match in enumerate(best_matches):
        print(f"\n--- Match {i+1} ---")
        print(f"Template ID: {match['id']}")
        print(f"Score final: {match.get('final_score', match['similarity_score']):.4f}")
        print(f"Score cross-encoder: {match.get('cross_encoder_score', 'N/A')}")
        print(f"Extrait du texte: {match['document'][:200]}...")
        
        # Affichage des entités détectées dans la query
        query_entities = match.get('query_entities', {})
        for entity_type, entities in query_entities.items():
            if entities:
                print(f"  - {entity_type}: {[f'{e[0]} ({e[1]:.2f})' for e in entities[:3]]}")
    
    # 5. Export des templates traités
    print("\n=== ÉTAPE 5: Export des résultats ===")
    processor.export_processed_templates("processed_medical_templates.json")
    
    # 6. Génération d'un rapport sur le dataset
    print("\n=== ÉTAPE 6: Rapport du dataset ===")
    report = analyzer.generate_entity_report("dataset.json")
    print(f"Rapport généré pour {report['total_samples']} échantillons")
    
    for entity_type, stats in report['entity_statistics'].items():
        if stats['unique_count'] > 0:
            print(f"\n{entity_type.upper()}:")
            print(f"  - Entités uniques: {stats['unique_count']}")
            print(f"  - Occurrences totales: {stats['total_occurrences']}")
            print(f"  - Top 3: {stats['top_10'][:3]}")

if __name__ == "__main__":
    main()