Merci pour PARHAF + réutilisation en corpus de transcription audio médicale
Bonjour l'équipe PARTAGES / Health Data Hub,
D'abord un grand merci pour PARHAF et pour le boulot de coordination que ça a dû représenter.
Je suis interne en psychiatrie à Paris et data scientist. J'ai construit sur mon temps libre un dataset en partie basé sur une réutilisation de PARHAF.
L'objectif initial est que la transcription audio médicale devienne assez bonne pour être adoptée partout, toutes spécialités confondues. Cela libérerait du temps aux soignants et rendrait aussi plus exploitable les données des DPI pour des projets ultérieures (aujourd'hui les soignants font des mots courts voires télégraphiques car ils tapent souvent lentement, et le dossier patient en pâtit).
Ce que ça a donné :
- UltiMed-ASR-FR-v1, le dataset audio + texte médical francophone : Olicorne/UltiMed-ASR-FR-v1. Je crois qu'il s'agit du plus grand dataset francophone de ce style.
- un modèle de transcript audio directement fine-tuné dessus, optimisé pour tourner sans GPU et sur du hardware usuel : Olicorne/parakeet-tdt-0.6b-v3-UltiMed-onnx. Je suspecte que ce modèle soit state of the art, au moins dans sa catégorie de taille,mais n'ai pas les ressources institutionnelles nécessaire pour le faire évaluer.
Pour se faire une idée des performance, le modèle est directement testable dans un navigateur sur mon site, via [mon moteur d'inférence parakeet_web, lui même évidemment open source.
Côté attribution, comme le prévoient la CC BY 4.0 et l'Etalab 2.0 : PARHAF représente environ 7 % du corpus d'UltiMed V1, isolé dans un sous-ensemble dédié et nommé explicitement parhaf_CC_BY_4.0 pour que la licence reste traçable sous-ensemble par sous-ensemble. Concrètement, vos comptes rendus ont été découpés par LLM en phrases, vocalisés par TTS, puis amélioré successivement par filtrage par WER/CER/durée/fresuence. Seule la version publique v1.0 a été utilisée, le test set sous embargo n'a pas été touché.
Le résultat est pour moi très encourageant : d'après mes benchmark et mes essais en conditions réelles, le modèle fine-tuné semble faire nettement moins d'erreurs sur les noms de médicaments et de maladies, c'est-à-dire précisément là où les modèles généralistes déraillent et où ça coûte le plus cher à relire et corriger. Et cela sans perdre en qualité de transcription générale. Je travaille aussi déjà sur une V2 avec d'autres voix de TTS pour tenter d'améliorer encore les performances.
Par ailleurs je suis intéressé par toute aide pour rendre ces modèles directement accessibles à tous les soignants francophone (intégration côté éditeurs de logiciels, évaluation indépendante, diffusion). Et plus largement, je serais ravi de contribuer aux communs numériques en santé.
Toutes remarques, corrections, collaborations sont les bienvenues. N'hésitez pas à me contacter : https://olicorne.org/fr/contact