关键覆盖至关重要：OCR 临床报告的半结构化抽取

由于隐私法规和数据孤岛限制了直接的信息共享，临床报告通常分散在不同的医疗机构中。当患者在其他医院就诊时，通常会携带以往就诊的纸质或扫描报告。这阻碍了 EHR 集成和纵向审查，以及依赖于更完整患者记录的下游应用，如患者管理、随访护理、真实世界研究和临床试验匹配。尽管 OCR 可以将这些报告数字化，但可靠的抽取仍然具有挑战性，因为临床文档具有异构性，OCR 文本存在噪声，且许多医疗环境需要低成本的本地部署。我们将此问题表述为基于规范关键条件的抽取式问答，应用于 OCR 生成的临床报告。由于关键字段既不固定也不预先已知，关键空间是开放的。我们通过迭代关键键挖掘、规范化、聚类和轻量级人工验证来维护规范关键清单，并引入关键覆盖率作为量化清单完整性的指标。使用 0.2B BERT-based 模型，在来自 20 多家医院的真实报告上的实验表明，性能随关键覆盖率的增加而单调提升。一旦覆盖了 Top-90 规范关键键，该模型在精确匹配和容错边界匹配下的 F1 分数分别达到 0.839 和 0.893。这些结果表明，关键覆盖率是端到端性能的主导因素。在 Top-90 覆盖率下，我们的模型在精确匹配下优于微调的 Qwen3-0.6B 基线。尽管我们的标注语料库是中文，但该方法依赖于半结构化临床报告的与语言无关的键值组织，在给定适当的规范关键清单和别名映射时，可适应于其他场景。