医保人工报销OCR识别方案

医保人工报销 OCR 识别方案

场景: 医院费用清单（A4纸打印，含公章覆盖）→ OCR识别通用名 → 模糊匹配医保字典 → 确定收费等级
原则: 自动匹配 + 例外转人工，不做全自动

一、方案架构

费用清单扫描件 → 预处理(去公章+增强) → ROI裁剪(通用名列) → PaddleOCR识别 → 编辑距离模糊匹配字典 → 命中介入自通过 → 未命中/低置信 → 人工审核界面 → 确认入库

二、环境准备

2.1 环境信息

基于 Python 3.9 + PaddleOCR 2.9.1 验证通过，实测环境：

重要: CPU 模式下必须设置环境变量FLAGS_use_mkldnn=0，否则 OneDNN 与 Windows 上的 PIR 属性转换存在兼容问题，会导致NotImplementedError。

2.2 新建 Conda 环境

conda create-nmedical_ocrpython=3.9-yconda activate medical_ocr

2.3 安装依赖（已验证完整命令）

# PaddlePaddle（CPU版）pipinstallpaddlepaddle==3.1.0-ihttps://pypi.tuna.tsinghua.edu.cn/simple# GPU版（如有NVIDIA卡）# pip install paddlepaddle-gpu==3.1.0 -i https://pypi.tuna.tsinghua.edu.cn/simple# PaddleOCRpipinstallpaddleocr-ihttps://pypi.tuna.tsinghua.edu.cn/simple# 图像处理pipinstallopencv-python pillow numpy-ihttps://pypi.tuna.tsinghua.edu.cn/simple# Levenshtein距离（模糊匹配）pipinstallpython-Levenshtein-ihttps://pypi.tuna.tsinghua.edu.cn/simple

2.4 验证安装

importos os.environ['FLAGS_use_mkldnn']='0'# CPU模式必须frompaddleocrimportPaddleOCR ocr=PaddleOCR(lang='ch')print('PaddleOCR ready')

三、图像预处理

3.1 公章去除

importcv2importnumpyasnpdefremove_red_stamp(img_path):img=cv2.imread(img_path)hsv=cv2.cvtColor(img,cv2.COLOR_BGR2HSV)# 红色范围（公章）lower_red1=np.array([0,50,50])upper_red1=np.array([10,255,255])lower_red2=np.array([156,50,50])upper_red2=np.array([180,255,255])mask1=cv2.inRange(hsv,lower_red1,upper_red1)mask2=cv2.inRange(hsv,lower_red2,upper_red2)mask=mask1|mask2# 膨胀后填充白色kernel=np.ones((3,3),np.uint8)mask=cv2.dilate(mask,kernel,iterations=1)img[mask>0]=[255,255,255]returnimg

3.2 图像增强（针式打印/褪色清单）

defenhance_image(img):# 灰度化 + CLAHE对比度增强gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)clahe=cv2.createCLAHE(clipLimit=2.0,tileGridSize=(8,8))enhanced=clahe.apply(gray)# 自适应二值化binary=cv2.adaptiveThreshold(enhanced,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,11,2)# 转回三通道给PaddleOCRreturncv2.cvtColor(binary,cv2.COLOR_GRAY2BGR)

3.3 ROI 裁剪 — 只取通用名列

defcrop_drug_column(img):""" 根据清单模板裁剪药品通用名列区域。 建议做成配置化：不同医院模板定义不同的列坐标。 """h,w=img.shape[:2]# 示例：通用名列在 x=50~300, y=表头下方到页脚上方roi=img[200:h-80,50:300]returnroi

3.4 完整预处理流水线

defpreprocess(image_path):img=remove_red_stamp(image_path)img=enhance_image(img)img=crop_drug_column(img)returnimg

四、OCR 识别引擎

4.1 单实例封装

importos os.environ['FLAGS_use_mkldnn']='0'frompaddleocrimportPaddleOCRclassMedicalOCR:def__init__(self,use_gpu=False):self.ocr=PaddleOCR(lang='ch',use_angle_cls=True)self.use_gpu=use_gpudefrecognize(self,img):"""返回文本行列表"""result=self.ocr.ocr(img)ifnotresultornotresult[0]:return[]# 按y坐标排序（表格从上到下）lines=sorted(result[0],key=lambdax:x[0][0][1])return[{'text':line[1][0],'confidence':line[1][1],'bbox':line[0]}forlineinlines]ocr_engine=MedicalOCR()

4.2 并发方案（生产环境）

frommultiprocessingimportPooldefinit_worker():global_ocrimportos os.environ['FLAGS_use_mkldnn']='0'frompaddleocrimportPaddleOCR _ocr=PaddleOCR(lang='ch',use_angle_cls=True)defprocess_image(img_path):img=preprocess(img_path)result=_ocr.ocr(img)returnextract_lines(result)# 4进程池withPool(4,initializer=init_worker)aspool:results=pool.map(process_image,image_files)

五、医保字典匹配

5.1 字典结构

# 示例：药品通用名 → 医保编码 → 收费等级MEDICAL_DICT={'阿莫西林胶囊':{'code':'XA01-001','level':'甲类','dosage':'胶囊'},'氯化钠注射液':{'code':'XB05-023','level':'甲类','dosage':'注射液'},'阿托伐他汀钙片':{'code':'XC10-056','level':'乙类','dosage':'片剂'},# ... 数万条}

5.2 模糊匹配引擎

fromLevenshteinimportdistanceaslevenshteindeffuzzy_match(ocr_text,dict_keys,threshold=0.85):""" 编辑距离 ≤1 或 相似度 ≥threshold 返回最佳匹配 返回: (matched_key, score, level) 或 None """best_key,best_score=None,0ocr_clean=ocr_text.strip().replace(' ','')forkeyindict_keys:key_clean=key.strip().replace(' ','')# 完全匹配：直接返回ifocr_clean==key_clean:return(key,1.0,MEDICAL_DICT[key]['level'])# 编辑距离max_len=max(len(ocr_clean),len(key_clean))ifmax_len==0:continuedist=levenshtein(ocr_clean,key_clean)similarity=1-dist/max_lenifsimilarity>best_score:best_score=similarity best_key=keyifbest_score>=threshold:return(best_key,best_score,MEDICAL_DICT[best_key]['level'])returnNone

5.3 策略优先级

defmatch_pipeline(ocr_lines):results=[]foriteminocr_lines:text=item['text']conf=item['confidence']# 策略1: OCR置信度 < 0.7 → 直接转人工ifconf<0.7:results.append({'status':'REVIEW','reason':'低置信度','ocr_text':text,'ocr_conf':conf})continue# 策略2: 完全匹配iftextinMEDICAL_DICT:entry=MEDICAL_DICT[text]results.append({'status':'MATCHED','code':entry['code'],'level':entry['level'],'ocr_text':text})continue# 策略3: 编辑距离 ≤1 模糊匹配matched=fuzzy_match(text,MEDICAL_DICT.keys(),threshold=0.85)ifmatched:results.append({'status':'FUZZY','code':MEDICAL_DICT[matched[0]]['code'],'level':matched[2],'ocr_text':text,'matched_name':matched[0],'score':matched[1]})continue# 策略4: 未命中 → 转人工results.append({'status':'REVIEW','reason':'未匹配字典','ocr_text':text,'ocr_conf':conf})returnresults

六、业务处理流程

扫描件 → 预处理 → ROI裁剪 → OCR识别 → 字典匹配 ↓ ↓ 结构化字段 ├─ 完全匹配 → 自动通过 (医院名、日期、 ├─ 模糊匹配(标注) → 自动通过 就诊号) └─ 低置信/未匹配 → 人工审核界面 ↓ 人工选择/修正 → 确认入库

人工审核界面设计要点

• 左侧显示原始清单截图，高亮待确认行
• 右侧显示 OCR 识别文本 + 字典候选列表（编辑距离排序 Top 5）
• 单键操作：选中确认 / 手动输入 / 跳过
• 批量审核：全部模糊匹配的行集中展示，一键批量确认

七、准确率预估

不宜全自动的场景

• 针式打印（点阵断续）清单 — 准确率骤降至 60~70%
• 公章覆盖超过 3 行文字 — 预处理无效
• 手写补充的药品名 — 需单独训练手写模型

八、部署建议

注意事项

1. 不同医院清单格式不同，ROI 裁剪坐标需做成模板配置，一个医院一个配置文件
2. 医保字典定期同步更新，模糊匹配结果建议记录日志便于追溯审计
3. OCR 所有低置信度/未匹配结果必须留痕，医保审计需要
4. 生产环境务必使用多进程池方案，单进程 PaddleOCR 非线程安全