一、背景与需求分析

在“智愈”医疗自助服务系统中，“病情诊断书导入分析”是核心功能之一。该功能的目标是：用户上传诊断书图片、PDF或扫描件后，系统自动完成文字识别、关键信息提取、结构化分析，最终生成通俗化的解读报告。

要实现这一目标，医疗OCR（光学字符识别）技术的选型至关重要。

1.为什么需要OCR技术

在我们的系统设计中有三个用户角色：游客、注册用户和管理员。其中，注册用户可以使用“智能医生”模块，与AI进行健康咨询互动。而“病情诊断书导入分析”功能是这个模块的重要补充——用户上传自己的诊断书，系统帮助分析，让用户更好地理解自己的病情和医嘱。

2.OCR技术面临的挑战

医疗文档识别面临三大核心挑战：

1. 文档形态复杂：诊断书、检验报告、出院小结等格式多样，包含表格、印章、签名等干扰信息

2. 图像质量参差：用户使用手机拍摄的文档常存在模糊、倾斜、反光、低光照等问题

3. 医学术语特殊：需精准识别医学术语、拉丁文缩写、药物名称、ICD编码等专业内容

4. 结构化要求：需要理解并提炼出“患者姓名是什么”“诊断结论是什么”“用药建议是什么”等关键信息。

正是因为这些特殊性，我们需要专门评估和选择适合医疗场景的OCR技术方案。

二、OCR技术的基本原理

我们人类看到一张图片，能认出里面的字，是因为我们的大脑经过了训练，从小学习汉字、英文，知道“日”字长什么样、“月”字长什么样。

计算机本身是看不懂图片里的文字的。在计算机眼里，一张图片就是一大堆数字（一堆像素点）。一个汉字可能是某种形状的黑色像素分布，OCR技术要做的事情，就是教会计算机从这些数字中“看出”文字来。OCR程序会分析这些像素的分布规律，和它“学过”的字形做对比，然后猜出这个字是什么。

传统的OCR技术通常包含以下几个步骤：

第一步：图像预处理。 对原始图像进行处理，比如转成灰度图、去除噪声、校正倾斜、二值化（把图像变成黑白的）等。这一步的目的是提高后续识别的准确率。

第二步：版面分析。 分析文档的布局，区分哪些是文字区域、哪些是表格、哪些是图片。对于诊断书来说，这一步尤其重要，因为医疗文档往往版面复杂。

第三步：字符分割。 把文字区域切分成单个字符，然后逐个识别。这也是传统OCR的一个难点——如果字符粘连或者笔画交叉，分割就会出错。

第四步：字符识别。 使用分类器（如支持向量机SVM、神经网络等）来识别每个字符是什么。

第五步：后处理纠错。 利用词典、语言模型等对识别结果进行修正，比如把识别错的“8”纠正为“B”（如果上下文是英文）。

现在主流的OCR系统普遍采用深度学习技术，比如CRNN（CNN+RNN+CTC）架构，可以实现端到端的文字识别。

相比传统方法，深度学习OCR有几个明显的优势：

• 抗干扰能力强：对模糊、倾斜、复杂背景的适应能力更好

• 支持整行识别：不需要先分割字符，避免了分割错误

• 准确率更高：尤其是中文场景，PaddleOCR等工具表现优异

此外，还有一种更新的思路——使用多模态大模型直接“看懂”图片中的文字。比如通义千问的VL（视觉语言）模型，给它一张图，它可以直接描述图中的内容。这种方案开发周期短、泛化能力强，但成本较高、响应时间也更长。

三、主流OCR调研及选定

调研方向主要是国内云服务商和开源工具。在“智愈”医疗自助服务系统中，“病情诊断书导入分析”功能需要将用户上传的图片/PDF诊断书转化为结构化数据，供大模型进行智能分析。

	腾讯云OCR	百度云OCR	PaddleOCR	Qwen-VL
技术路线	基于深度学习技术，融合图像检测和OCR大模型能力，通过模板匹配实现结构化信息提取	依托百度深度学习算法+海量数据沉淀，支持80+项细分识别能力	基于PaddlePaddle框架的全栈开源OCR方案，采用PP-OCRv5架构	阿里云通义千问系列的多模态大模型，以70亿参数模型Qwen-7B为基础语言模型研发，具备多模态信息理解能力
文字识别能力	印刷体官方宣称≥98%，手写体识别率85%以上	通用文字/卡证票据识别准确率≥98%，手写体识别效果一般	印刷体通用场景准确率约96%，手写公式识别准确率超过88%	印刷体超96.5%,手写体准确率高达92.9%
语义理解能力	无	无	无	有。基于通义千问大语言模型，能够理解文档语义和上下文逻辑；可完成知识问答、图像问答、文件问答等复杂任务
硬件资源需求	云端调用无需本地GPU	云端调用无需本地GPU	低。可支持纯CPU运行的方案	较高。至少需要8-12GB显存GPU
处理速度	快	快	快	慢
版式适应能力	需定制模板	需定制模板	需后处理规则	自动适应，无需模板

经过综合考量，我们选择Qwen-VL作为OCR工具。原因如下：

第一，语义理解能力。 “智愈”系统不是简单的“文字识别”，而是需要“理解诊断书内容并生成解读”。传统OCR只能输出文字，还需要再写大量代码去解析、判断、关联——这等于自己实现半个大模型。Qwen-VL一步到位。

第二，技术前沿。 使用多模态大模型符合“创新实训”的定位，体验最新AI技术。

第三，手写体识别优势。 医疗场景有大量手写内容（处方、病历），Qwen-VL在这方面表现更优。

另外， Qwen-VL具有100万Token免费额度，对于此创新实训项目来说完全够用。此项目无需处理大量复杂输入，所以无需担心GPU的需求较高和处理速度较慢等问题。同时Qwen-VL经过真实案例验证——Fullerton Health已在生产环境使用Qwen-VL处理医疗文档。

Qwen-VL不是完美的，但对于“智愈”项目的诊断书OCR需求，它的语义理解能力、手写体优势、零模板适应，使其成为实训项目的最佳选择。

下一阶段目标：

将OCR模型与代码架构接轨。