feat(phase2): Gazetteers FINESS 102K établissements + fine-tuning CamemBERT-bio F1=89%

Gazetteers FINESS (data.gouv.fr open data):
- 102K numéros FINESS → détection par lookup exact dans _mask_admin_label + selective_rescan
- 122K noms d'établissements, 113K téléphones, 76K adresses (disponibles)
- Un nombre 9 chiffres matchant un vrai FINESS est masqué même sans label "FINESS"

Fine-tuning CamemBERT-bio (almanach/camembert-bio-base):
- Export silver annotations réécrit : alignement original↔pseudonymisé (difflib)
  → 6862 entités B- (vs 3344 avec l'ancien audit-only) sur 222K tokens
- Sliding windows (200 tokens, stride 100) pour documents longs
- WeightedNERTrainer avec class weights cappés (max 10x) + label smoothing
- Résultat: Precision=88.1%, Recall=89.8%, F1=88.9% (20 epochs, lr=1e-5)
- Modèle sauvegardé dans models/camembert-bio-deid/best (non commité)

Co-Authored-By: Claude Opus 4.6 <noreply@anthropic.com>

anonymizer_core_refactored_onnx.py

@@ -150,6 +150,55 @@ def _load_insee_gazetteers():
 _load_insee_gazetteers()
 
 
+# ----------------- Gazetteer FINESS (établissements de santé) -----------------
+_FINESS_NUMBERS: set = set()       # numéros FINESS 9 chiffres
+_FINESS_ETAB_NAMES: set = set()    # noms d'établissements (lowercase)
+_FINESS_TELEPHONES: set = set()    # téléphones 10 chiffres
+
+def _load_finess_gazetteers():
+    """Charge les gazetteers FINESS (établissements, numéros, téléphones)."""
+    global _FINESS_NUMBERS, _FINESS_ETAB_NAMES, _FINESS_TELEPHONES
+    data_dir = Path(__file__).parent / "data" / "finess"
+
+    # Numéros FINESS
+    finess_path = data_dir / "finess_numbers.txt"
+    if finess_path.exists():
+        try:
+            _FINESS_NUMBERS = {
+                line.strip() for line in finess_path.read_text(encoding="utf-8").splitlines()
+                if line.strip()
+            }
+            log.info(f"Gazetteer FINESS numéros: {len(_FINESS_NUMBERS)} entrées")
+        except Exception as e:
+            log.warning(f"Erreur chargement FINESS numéros: {e}")
+
+    # Noms d'établissements (pour détection HOPITAL)
+    noms_path = data_dir / "etablissements_noms.txt"
+    if noms_path.exists():
+        try:
+            _FINESS_ETAB_NAMES = {
+                line.strip().lower() for line in noms_path.read_text(encoding="utf-8").splitlines()
+                if line.strip() and len(line.strip()) >= 6
+            }
+            log.info(f"Gazetteer FINESS noms: {len(_FINESS_ETAB_NAMES)} entrées")
+        except Exception as e:
+            log.warning(f"Erreur chargement FINESS noms: {e}")
+
+    # Téléphones (pour validation)
+    tel_path = data_dir / "telephones.txt"
+    if tel_path.exists():
+        try:
+            _FINESS_TELEPHONES = {
+                line.strip() for line in tel_path.read_text(encoding="utf-8").splitlines()
+                if line.strip()
+            }
+            log.info(f"Gazetteer FINESS téléphones: {len(_FINESS_TELEPHONES)} entrées")
+        except Exception as e:
+            log.warning(f"Erreur chargement FINESS téléphones: {e}")
+
+_load_finess_gazetteers()
+
+
 # ----------------- Whitelists Médicales -----------------
 _MEDICAL_STRUCTURAL_TERMS = set()
 _MEDICATION_WHITELIST = set()
@@ -1030,11 +1079,23 @@ def _apply_overrides(line: str, audit: List[PiiHit], page_idx: int, cfg: Dict[st
     return line
 
 
+RE_BARE_9DIGITS = re.compile(r"\b(\d{9})\b")
+
 def _mask_admin_label(line: str, audit: List[PiiHit], page_idx: int) -> str:
     m = RE_FINESS.search(line)
     if m:
         val = m.group(1); audit.append(PiiHit(page_idx, "FINESS", val, PLACEHOLDERS["FINESS"]))
         return RE_FINESS.sub(lambda _: f"FINESS : {PLACEHOLDERS['FINESS']}", line)
+
+    # Détection FINESS par gazetteer : nombre 9 chiffres qui matche un vrai numéro FINESS
+    if _FINESS_NUMBERS:
+        for m9 in RE_BARE_9DIGITS.finditer(line):
+            if m9.group(1) in _FINESS_NUMBERS:
+                val = m9.group(1)
+                audit.append(PiiHit(page_idx, "FINESS", val, PLACEHOLDERS["FINESS"]))
+                line = line.replace(val, PLACEHOLDERS["FINESS"], 1)
+                return line
+
     m = RE_OGC.search(line)
     if m:
         val = m.group(1); audit.append(PiiHit(page_idx, "OGC", val, PLACEHOLDERS["OGC"]))
@@ -2012,6 +2073,11 @@ def selective_rescan(text: str, cfg: Dict[str, Any] | None = None) -> str:
     protected = RE_EPISODE.sub(PLACEHOLDERS["EPISODE"], protected)
     # N° RPPS
     protected = RE_RPPS.sub(PLACEHOLDERS["RPPS"], protected)
+    # FINESS par gazetteer (nombres 9 chiffres matchant un vrai numéro FINESS)
+    if _FINESS_NUMBERS:
+        def _rescan_finess(m: re.Match) -> str:
+            return PLACEHOLDERS["FINESS"] if m.group(1) in _FINESS_NUMBERS else m.group(0)
+        protected = RE_BARE_9DIGITS.sub(_rescan_finess, protected)
     # Établissements
     protected = RE_ETABLISSEMENT.sub(PLACEHOLDERS["ETAB"], protected)
     protected = RE_HOPITAL_VILLE.sub(PLACEHOLDERS["ETAB"], protected)