Datasets:

rntc
/

gliner2-fr-biomed-v3d

license: mit
language:
  - fr
task_categories:
  - token-classification
  - text-classification
tags:
  - biomedical
  - clinical
  - french
  - gliner
  - named-entity-recognition
  - synthetic
  - distillation
  - open-vocabulary
size_categories:
  - 10K<n<100K
pretty_name: GLiNER2 FR Biomédical — données d'entraînement multi-tâches (v3d)
configs:
  - config_name: default
    data_files:
      - split: train
        path: training_data_v3d_train.jsonl
      - split: validation
        path: training_data_v3d_val.jsonl

GLiNER2 FR Biomédical — données d'entraînement multi-tâches (v3d)

Données synthétiques d'entraînement pour un GLiNER2 français biomédical généraliste open-vocabulary, dans la lignée GLiNER / NuNER / GLiNER-biomed (distillation depuis un LLM, pas d'entraînement sur du gold de benchmark).

Langue : français
Domaine : biomédical / clinique
Tâches : NER open-vocab · classifications · extraction structurée (json_structures) · relations
Annotateur : Qwen3-235B-A22B-Instruct-2507 (FP8), sortie JSON contrainte par schéma
Splits : train 90 472 · validation 3 769
Licence : MIT

Format

Une ligne JSON = un document. Format natif GLiNER2 :

{
  "input": "<texte>",
  "output": {
    "entities": {"<type>": ["<mention>", ...], ...},
    "classifications": [{"task": "...", "labels": [...], "true_label": [...], "multi_label": bool}],
    "json_structures": [{"<schema>": {"<champ>": "<valeur>"}}],
    "relations": [{"<relation>": {"head": "...", "tail": "..."}}]
  }
}

entities est toujours présent. Les types sont open-vocabulary (lemmes français génériques, granularité L1→L4 proche d'UMLS). Les mentions sont des sous-chaînes exactes du texte (grounding vérifié).
classifications / json_structures / relations sont présents quand le document les supporte (0 sinon).
Négatifs : ~28 % des documents sont non-biomédicaux → entities à listes de mentions vides (domain-gate, utile pour la précision).
Classification CIM-10 : sur les documents cliniques, une tâche chapitre CIM-10 (22 chapitres, multi-label) est ajoutée (≈ 61 k documents).

Construction (résumé)

Corpus sources : littérature biomédicale FR (HAL, istex), case reports PMC traduits FR, vulgarisation (finewiki-medical), reformulations de nomenclatures (CIM-10 / ATC / CCAM), + ~18 % de notes cliniques « brouillon » (registre télégraphique, abréviations).
Annotation : appel unique au LLM avec un schéma 6-sections (candidate-spans → entities subset, classifications, json_structures, relations, hard-negatives), densité modérée naturelle, domain-gate (ne tagger que le biomédical).
Grounding : chaque mention / head / tail doit être une sous-chaîne exacte du texte ; anti-raccourci lexical (Levenshtein type↔mention ≥ 3).
Assemblage : format 4-tâches GLiNER2 ; les labels CIM-10 sont snappés sur les 22 chapitres canoniques.

Usage prévu

Entraîner un GLiNER2 FR biomédical généraliste (l'utilisateur définit ses types à l'inférence). L'objectif est la généralisation aux types nouveaux/arbitraires, pas l'alignement de convention sur un benchmark donné.

Limites & avertissements

Données SYNTHÉTIQUES (silver) : annotations produites par un LLM, pas du gold humain. Erreurs et biais de l'annotateur possibles.
Ne pas considérer comme une ressource clinique validée. Aucune donnée patient réelle : les textes cliniques sont synthétiques ou dérivés de sources publiques (PMC).
Pensée pour la recherche (distillation open-vocab), à évaluer en zero-shot reference-free plutôt que sur les benchmarks NER standards.

Citation

À compléter (paper en préparation).