feat: externalisation des listes — stop-words et villes modifiables sans code

Toutes les listes de règles sont maintenant modifiables sans toucher
au code Python :

Fichiers de données (data/) :
  - stopwords_manuels.txt : 1307 termes médicaux/techniques
  - villes_blacklist.txt : 117 communes à ne pas matcher
  - medicaments_stopwords.txt : 7312 médicaments BDPM (existant)
  - Chargés automatiquement au démarrage

Config YAML (dictionnaires.yml) :
  - additional_stopwords : mots supplémentaires par établissement
  - additional_villes_blacklist : villes supplémentaires
  - whitelist_phrases : phrases à ne jamais anonymiser
  - force_mask_terms : mots à toujours masquer

Chaîne de chargement : code dur → fichiers data/ → YAML config
Les 3 niveaux se cumulent (union).

Co-Authored-By: Claude Opus 4.6 (1M context) <noreply@anthropic.com>

anonymizer_core_refactored_onnx.py

@@ -204,6 +204,14 @@ _VILLE_BLACKLIST = {
     # Parties du corps homonymes de communes (FP "prurit invalidant (COU, décolleté)")
     "COU", "DOS", "SEIN", "BRAS",
 }
+# Enrichissement depuis fichier externe (modifiable sans toucher au code)
+_villes_bl_file = Path(__file__).parent / "data" / "villes_blacklist.txt"
+if _villes_bl_file.exists():
+    for _line in _villes_bl_file.read_text(encoding="utf-8").splitlines():
+        _w = _line.strip()
+        if _w and not _w.startswith("#"):
+            _VILLE_BLACKLIST.add(_w)
+    log.info("Villes blacklist chargées : %d entrées", len(_VILLE_BLACKLIST))
 
 try:
     import ahocorasick as _ahocorasick
@@ -772,6 +780,17 @@ _MEDICAL_STOP_WORDS_SET = {
 # Enrichissement automatique avec les ~4000 noms de médicaments d'edsnlp
 _MEDICAL_STOP_WORDS_SET.update(_load_edsnlp_drug_names())
 
+# Enrichissement depuis fichier externe (modifiable sans toucher au code)
+_stopwords_file = Path(__file__).parent / "data" / "stopwords_manuels.txt"
+if _stopwords_file.exists():
+    _sw_count = 0
+    for _line in _stopwords_file.read_text(encoding="utf-8").splitlines():
+        _w = _line.strip()
+        if _w and not _w.startswith("#"):
+            _MEDICAL_STOP_WORDS_SET.add(_w)
+            _sw_count += 1
+    log.info("Stop-words manuels chargés : %d mots depuis %s", _sw_count, _stopwords_file.name)
+
 # Enrichissement BDPM : ~7300 noms commerciaux + DCI/substances actives
 _bdpm_path = Path(__file__).parent / "data" / "bdpm" / "medicaments_stopwords.txt"
 if _bdpm_path.exists():
@@ -1053,6 +1072,22 @@ def load_dictionaries(config_path: Optional[Path]) -> Dict[str, Any]:
                 cfg[k] = v
         except Exception:
             pass
+
+    # Charger les stop-words et villes supplémentaires depuis le YAML
+    extra_sw = cfg.get("additional_stopwords", [])
+    if extra_sw:
+        for w in extra_sw:
+            if w and str(w).strip():
+                _MEDICAL_STOP_WORDS_SET.add(str(w).strip().lower())
+        log.info("Stop-words YAML supplémentaires : %d", len(extra_sw))
+
+    extra_villes = cfg.get("additional_villes_blacklist", [])
+    if extra_villes:
+        for v in extra_villes:
+            if v and str(v).strip():
+                _VILLE_BLACKLIST.add(str(v).strip().upper())
+        log.info("Villes blacklist YAML supplémentaires : %d", len(extra_villes))
+
     return cfg
 
 # ----------------- Extraction -----------------

config/dictionnaires.yml

@@ -60,6 +60,18 @@ whitelist_phrases:
   - "date de sortie"
   - "date d'admission"
   - "code postal"
+# Mots supplémentaires à ne jamais masquer comme noms de personnes
+# (complète les 9000+ stop-words intégrés)
+additional_stopwords: []
+# Exemple :
+#   - "votre_mot"
+
+# Villes supplémentaires à ne jamais matcher comme lieux
+# (complète les 115+ villes blacklistées intégrées)
+additional_villes_blacklist: []
+# Exemple :
+#   - "VOTRE_VILLE"
+
 flags:
   case_insensitive: true
   unicode_word_boundaries: true

data/villes_blacklist.txt

@@ -0,0 +1,121 @@
+# Villes/communes à ne jamais matcher comme noms de lieux
+# (homonymes de mots courants, parties du corps, etc.)
+# Total : 117 entrées
+
+AGEN
+AIRE
+ALBI
+ANNE
+AUCH
+BARRES
+BEAUNE
+BILLE
+BLOIS
+BOIS
+BOURG
+BRAS
+BREST
+CENTRE
+CERGY
+CHAISE
+CHARGE
+COEUR
+CONTRE
+CORPS
+COU
+COURANT
+COURS
+CREIL
+CROIX
+DOLE
+DOS
+EST
+EUROPE
+EVIAN
+FAUX
+FOIX
+FORT
+FOSSES
+FRANCE
+GARDES
+GIEN
+GIVET
+GRAND
+GRAY
+HYERES
+ISLE
+JEAN
+JOUE
+LACS
+LAON
+LENS
+LIGNE
+LIGNES
+LONG
+LUNEL
+LURE
+MAISON
+MARCHE
+MARIE
+MARS
+MARSA
+MAURE
+MEAUX
+MENDE
+MENTON
+MERE
+MONT
+MORET
+MOULIN
+MURET
+MURS
+Médecin courant
+NICE
+NORD
+NUITS
+ONDRES
+ORANGE
+OUEST
+OUST
+PARIS
+PAUL
+PIERRE
+PLACE
+PLAN
+PONT
+PORT
+PREY
+PRISON
+PUITS
+QUATRE
+RANS
+RECY
+REDON
+REZE
+RICHE
+ROMANS
+ROUGE
+SAINT
+SALLE
+SALON
+SARE
+SEIN
+SENS
+SERVICE
+SETE
+SIGNES
+SORE
+SOURCE
+SUD
+TOURS
+TRANS
+VALLEE
+VAUX
+VEBRE
+VERS
+VERT
+VIENNE
+VILLE
+VIRE
+VITRE
+prurit invalidant (COU, décolleté)