File size: 26,607 Bytes
f92da22
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
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
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
)
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

# 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 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")
        
        # Chargement du modèle NER
        self._load_ner_model()
        
        # Labels BIO pour entités médicales
        self.entity_labels = [
            "O",  # Outside
            "B-EXAM", "I-EXAM",           # Types d'examens
            "B-SPECIALTY", "I-SPECIALTY", # Spécialités médicales
            "B-ANATOMY", "I-ANATOMY",     # Régions anatomiques
            "B-PATHOLOGY", "I-PATHOLOGY", # Pathologies
            "B-PROCEDURE", "I-PROCEDURE", # Procédures médicales
            "B-MEASURE", "I-MEASURE",     # Mesures/valeurs
            "B-MEDICATION", "I-MEDICATION", # Médicaments
            "B-SYMPTOM", "I-SYMPTOM"      # 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)}
    
    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": [],
            "SPECIALTY": [],
            "ANATOMY": [],
            "PATHOLOGY": [],
            "PROCEDURE": [],
            "MEASURE": [],
            "MEDICATION": [],
            "SYMPTOM": []
        }
        
        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"],
            specialties=entities["SPECIALTY"],
            anatomical_regions=entities["ANATOMY"],
            pathologies=entities["PATHOLOGY"],
            medical_procedures=entities["PROCEDURE"],
            measurements=entities["MEASURE"],
            medications=entities["MEDICATION"],
            symptoms=entities["SYMPTOM"]
        )
    
    def fine_tune_on_templates(self, templates_data: List[Dict], 
                              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"
        
        logger.info("Début du fine-tuning NER sur templates médicaux")
        
        # Préparation des données d'entraînement
        # (Ici, on utiliserait des templates annotés ou de l'auto-annotation)
        train_dataset = self._prepare_training_data(templates_data)
        
        # Configuration d'entraînement
        training_args = TrainingArguments(
            output_dir=output_dir,
            num_train_epochs=epochs,
            per_device_train_batch_size=8,
            per_device_eval_batch_size=8,
            warmup_steps=100,
            weight_decay=0.01,
            logging_dir=f"{output_dir}/logs",
            save_strategy="epoch",
            evaluation_strategy="epoch" if train_dataset.get('eval') else "no",
            load_best_model_at_end=True,
            metric_for_best_model="eval_loss" if train_dataset.get('eval') else None,
        )
        
        # Trainer
        trainer = Trainer(
            model=self.ner_model,
            args=training_args,
            train_dataset=train_dataset['train'],
            eval_dataset=train_dataset.get('eval'),
            tokenizer=self.tokenizer,
        )
        
        # Entraînement
        trainer.train()
        
        # Sauvegarde
        trainer.save_model()
        self.tokenizer.save_pretrained(output_dir)
        
        logger.info(f"Fine-tuning terminé, modèle sauvé dans {output_dir}")
    
    def _prepare_training_data(self, templates_data: List[Dict]) -> Dict:
        """Prépare les données d'entraînement pour le NER (auto-annotation intelligente)"""
        
        # Cette fonction pourrait utiliser des techniques d'auto-annotation
        # ou des datasets médicaux pré-existants pour créer des labels BIO
        
        # Pour l'exemple, retourner un dataset vide
        # En production, on utiliserait des techniques d'annotation automatique
        # ou des datasets médicaux annotés comme QUAERO, CAS, etc.
        
        class EmptyDataset(Dataset):
            def __len__(self):
                return 0
            def __getitem__(self, idx):
                return {}
        
        return {'train': EmptyDataset()}

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]], 
                               batch_size: int = 8,
                               fine_tune_ner: bool = False) -> None:
        """Traitement avancé avec option de fine-tuning NER"""
        
        if fine_tune_ner:
            logger.info("Fine-tuning du modèle NER sur les templates...")
            self.ner_extractor.fine_tune_on_templates(templates)
        
        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

# Exemple d'utilisation avancée
def main():
    """Exemple d'utilisation du système avancé"""
    
    # Initialisation du processeur avancé
    processor = AdvancedMedicalTemplateProcessor()
    
    # Traitement des templates avec fine-tuning optionnel
    sample_templates = [
        {
            'id': 'angio_001',
            'text': """Échographie et doppler artério-veineux des membres inférieurs.
            Exploration de l'incontinence veineuse superficielle...""",
            'metadata': {'source': 'angiologie', 'version': '2024'}
        }
    ]
    
    # Traitement avec fine-tuning NER
    processor.process_templates_batch(sample_templates, fine_tune_ner=False)
    
    # Recherche avec reranking
    transcription = """madame bacon nicole bilan œdème droit gonalgies ostéophytes
    incontinence veineuse modérée portions surale droite crurale gauche saphéniennes"""
    
    best_matches = processor.find_best_template_with_reranking(
        transcription=transcription,
        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"Entités détectées dans la query:")
        for entity_type, entities in match.get('query_entities', {}).items():
            if entities:
                print(f"  - {entity_type}: {[f'{e[0]} ({e[1]:.2f})' for e in entities]}")

if __name__ == "__main__":
    main()