OCR识别病历报告，
为什么总是出问题

OCR做的是什么

OCR（光学字符识别）的核心任务是：把图片里的像素转化成文字。给它一张有文字的图，它输出一段文本。就这些。

它不知道"白细胞"是字段名，"5.2"是对应的值，"×10⁹/L"是单位，三者之间有语义关系。它看到的是：一排像素对应"白细胞"，旁边一排像素对应"5.2"，再旁边是"×10⁹/L"。至于这三块内容是什么关系，OCR不管——它的工作在认出字符时就结束了。

输出的文本里，这三块内容可能在同一行，可能不在，取决于截图里的版面布局。如果检验报告用的是多列排版（很多医院的报告格式是这样），OCR按行扫描，可能把同一行不同列的内容混在一起，把本来相邻的字段和数值分到不同行。

结果就是你拿到的：一堆认识的字，但组合完全乱掉了。

病历报告场景的三个死穴

多列表格布局。标准检验报告通常是四列：项目名称、结果、参考范围、单位。OCR按行扫描时，一行里会同时有四列的内容，输出成文本后，这四块信息混在一起，没有任何分隔标记。你拿到的可能是"白细胞 5.2 3.5-9.5 ×10⁹/L 红细胞 4.35 3.80-5.10 ×10¹²/L"——字都认出来了，但哪个是哪份报告的哪个字段的值，需要你自己再解析。

格式因医院而异。不同医院、不同HIS系统、不同检验科，报告的版式都不一样：字体大小不同，列间距不同，某些报告有表格线，某些没有，某些用加粗区分异常值，某些用箭头标注。你在A医院的报告上训练出来的解析规则，换到B医院的报告就不适用了。这意味着每换一种报告格式，就要重新处理，没有通用解法。

手写内容和混排。病历里经常出现手写批注、手写签名、印章、或者扫描件里的折痕、污渍——这些对OCR来说是噪声。手写字体的识别准确率远低于印刷体，遇到连笔字或潦草字体时，OCR输出往往是乱码或空白。

识别文字和提取数据，是两件事

把这两个任务区分开来，事情就清楚多了。

"识别文字"是问：图片里有哪些字符？OCR非常擅长回答这个问题，主流工具在印刷体场景下准确率能达到95%以上。

"提取数据"是问：这张检验报告里，"血红蛋白"这个指标的数值是多少？这个问题需要理解"血红蛋白"是字段名，找到它在报告里的位置，找到与它对应的数值，排除掉旁边的参考范围和单位，返回那个具体的数字。

第二个问题涉及语义理解，不是字符识别。它需要知道"HGB"、"Hb"、"血色素"、"hemoglobin"指的是同一个概念；需要知道表格里哪一格是结果、哪一格是参考范围；需要知道"↑"或者"H"标注表示异常，但你要的是数值本身，不是标注。

OCR不做语义理解，这不是它的缺陷，是它的设计定位。用OCR去解决"提取数据"的问题，本质上是用错了工具。

视觉大模型做的是什么

简录AI这类基于视觉大模型的工具，处理的是"提取数据"这个任务，而不是"识别文字"。

它的工作方式是：给它一张检验报告截图，告诉它"我要血红蛋白的值"，它理解"血红蛋白"这个概念，在截图里找到对应的数值——无论那个字段在报告里叫"HGB"、"血红蛋白(g/L)"还是"Hemoglobin"，无论它出现在报告的哪个位置，无论报告的版式是什么样的。

这不是更好的OCR，是不同层次的任务。OCR在字符层面工作，视觉大模型在语义层面工作。前者的输出是"这张图里有哪些字"，后者的输出是"你要的那个值是5.2"。

对临床研究数据采集来说，你实际需要的答案是后者。

实际用起来的差异

用OCR工具处理100张检验报告截图，流程大概是：运行OCR得到100个文本文件，写或找一个解析脚本，对文本做正则匹配或按行解析，处理格式异常，手动核查识别失败的条目，最后整理成Excel。这个过程涉及至少三个步骤，每个步骤都有出错的可能，而且每次遇到新格式的报告都要重新适配。

用简录AI的流程：上传截图，在界面里写下你要的字段名（"血红蛋白"、"血肌酐"、"血小板"……），等处理完成，导出Excel，每行对应一份截图，每列对应一个字段。识别准确率在印刷体报告上最高可达99%，处理速度是单页5-10秒。

两个流程之间的差异不只是时间，还有"需要的技能"：OCR方案需要你会写或能找到合适的解析代码，视觉大模型方案不需要。对大多数临床研究者来说，这个门槛差异比时间差异更实际。