feat: Filtre hospitalier pour éliminer les faux positifs

- Ajout config/hospital_stopwords.yml avec adresses/téléphones hôpitaux
- Ajout detectors/hospital_filter.py pour filtrer les FP
- Intégration dans anonymizer_core_refactored_onnx.py
- Test sur document: 40 -> 32 détections (-8 FP)
- Élimine: adresses hôpitaux, codes postaux CEDEX, épisodes dans noms de fichiers

tools/analyze_false_positives.py

@@ -0,0 +1,87 @@
+#!/usr/bin/env python3
+"""
+Analyse détaillée des faux positifs pour identifier les patterns problématiques.
+"""
+
+import json
+from pathlib import Path
+from collections import defaultdict
+import sys
+
+def analyze_false_positives():
+    """Analyse les faux positifs par type et identifie les patterns."""
+    
+    # Charger les résultats d'évaluation
+    eval_file = Path("tests/ground_truth/quality_evaluation/baseline_quality_evaluation.json")
+    if not eval_file.exists():
+        print(f"❌ Fichier non trouvé: {eval_file}")
+        return
+    
+    with open(eval_file, 'r', encoding='utf-8') as f:
+        eval_data = json.load(f)
+    
+    # Charger les fichiers audit pour analyser les FP
+    audit_dir = Path("tests/ground_truth/pdfs/baseline_anonymized")
+    
+    fp_examples = defaultdict(list)
+    
+    # Parcourir les fichiers audit
+    for audit_file in audit_dir.glob("*.audit.jsonl"):
+        with open(audit_file, 'r', encoding='utf-8') as f:
+            for line in f:
+                detection = json.loads(line)
+                pii_type = detection.get('type', 'UNKNOWN')
+                text = detection.get('text', '')
+                
+                # Collecter des exemples de chaque type
+                if len(fp_examples[pii_type]) < 20:  # Limiter à 20 exemples par type
+                    fp_examples[pii_type].append({
+                        'text': text,
+                        'file': audit_file.stem.replace('.audit', ''),
+                        'page': detection.get('page', 0)
+                    })
+    
+    # Afficher l'analyse
+    print("=" * 80)
+    print("ANALYSE DES FAUX POSITIFS")
+    print("=" * 80)
+    print()
+    
+    # Focus sur les types problématiques
+    problematic_types = ['EPISODE', 'VILLE', 'CODE_POSTAL', 'ADRESSE', 'TEL']
+    
+    for pii_type in problematic_types:
+        type_metrics = eval_data['by_type'].get(pii_type, {})
+        fp_count = type_metrics.get('false_positives', 0)
+        precision = type_metrics.get('precision', 0)
+        
+        if fp_count == 0:
+            continue
+        
+        print(f"\n{'=' * 80}")
+        print(f"Type: {pii_type}")
+        print(f"Faux positifs: {fp_count}")
+        print(f"Précision: {precision:.2%}")
+        print(f"{'=' * 80}")
+        
+        examples = fp_examples.get(pii_type, [])
+        if examples:
+            print(f"\nExemples de détections (premiers 20):")
+            for i, ex in enumerate(examples[:20], 1):
+                print(f"  {i:2d}. '{ex['text']}' (page {ex['page']})")
+        else:
+            print("\n⚠️  Aucun exemple trouvé dans les fichiers audit")
+    
+    # Statistiques globales
+    print(f"\n{'=' * 80}")
+    print("STATISTIQUES GLOBALES")
+    print(f"{'=' * 80}")
+    global_metrics = eval_data['global_metrics']
+    print(f"Précision: {global_metrics['precision']:.2%}")
+    print(f"Rappel: {global_metrics['recall']:.2%}")
+    print(f"F1-Score: {global_metrics['f1_score']:.2%}")
+    print(f"Faux positifs totaux: {global_metrics['false_positives']}")
+    print()
+
+if __name__ == "__main__":
+    analyze_false_positives()