医疗票据自动识别：OCR 如何处理百种票据格式

一、”这是哪里的发票？”——医保审核员的困惑

2024 年 11 月，某市医保中心，审核员小李面对一张发票犯了难。

“这是哪里的发票？” “XX 县人民医院。” “怎么没有财政监制章？” “县医院自己印的……” “那这个能报销吗？”

小李拿不准，叫来科长。科长看了半天，说：”打电话问县医院财务科。”

一个电话打过去，对方说：”哦，我们医院从 2023 年开始用电子发票了，这个是系统自动生成的，没有监制章，但可以在财政部网站查验。”

虚惊一场。但这样的”虚惊”，每天都在上演。

中国有多少种医疗票据？

没人知道确切数字。国家财政部规定的标准票据只有几种（住院发票、门诊发票、电子发票），但实际执行中：

• 31 个省份，每个省份的财政监制章版式不同
• 3000+ 三级医院，大部分有自己的票据格式
• 10000+ 二级医院，票据格式五花八门
• 30000+ 基层医疗机构，票据更加不规范

这还不包括：

• 历史票据（2010 年前的老版式）
• 军队医院票据（特殊版式）
• 民营医院票据（自制格式）
• 药店购药小票（热敏纸、格式各异）

某省医保局统计：省内有效医疗票据版式超过 300 种，跨省票据超过 1000 种。

让审核员记住 1000 种票据格式，不可能。但让机器记住，可以。

二、技术方案：版式识别的”三层架构”

处理百种票据格式，核心是”版式识别”——先判断这是什么类型的票据，再用对应的模板识别。

第一层：粗分类（5 大类）

类别 1：财政监制住院发票
特征：红色财政监制章、固定版式、有发票代码/号码
识别方法：检测财政监制章（红色圆形/椭圆形）

类别 2：财政监制门诊发票
特征：与住院发票类似，但标题为"门诊收费票据"
识别方法：OCR 识别标题文字

类别 3：医院自制发票
特征：无财政监制章、医院 LOGO、自定义版式
识别方法：检测医院名称 + 发票关键字

类别 4：费用明细清单
特征：表格形式、多行项目、无金额合计（或有）
识别方法：表格检测 + 表头识别

类别 5：电子发票（PDF/OFD）
特征：电子版式文件、有电子签章、可查验
识别方法：文件格式检测 + 电子签章验证

粗分类准确率目标：>98%

第二层：细分类（按省份/医院）

粗分类后，进一步细分：

住院发票
├── 北京市财政监制
├── 上海市财政监制
├── 广东省财政监制
├── ...（31 省份）
└── 军队医院专用

门诊发票
├── 北京市财政监制
├── 上海市财政监制
└── ...

细分方法：

• 检测财政监制章文字（”XX 省财政厅监制”）
• 检测医院名称（与医院库匹配）
• 检测发票代码前缀（按地区编码）

细分类准确率目标：>95%

第三层：字段模板匹配

确定具体版式后，加载对应的字段模板：

{
  "template_id": "BJ_INPATIENT_2023",
  "template_name": "北京市住院发票 2023 版",
  "fields": [
    {"name": "invoice_code", "type": "text", "bbox": [450, 80, 580, 100]},
    {"name": "invoice_no", "type": "text", "bbox": [450, 105, 580, 125]},
    {"name": "date", "type": "date", "bbox": [350, 150, 480, 170]},
    {"name": "total_amount", "type": "currency", "bbox": [400, 400, 550, 425]},
    ...
  ]
}

模板匹配优势：

• 识别速度快（直接裁剪指定区域）
• 准确率高（避免全文识别干扰）
• 可维护（新增版式只需添加模板）

三、关键技术：如何应对”非标”票据

问题 1：无模板票据怎么办？

即使有 1000 种模板，还是会遇到”从未见过”的票据。

解决方案：零样本字段提取

步骤 1：使用通用 OCR 识别全文
步骤 2：使用 NLP 模型识别字段语义

<ul>
<li>"发票代码"、"发票号码"、"日期"、"金额"等关键词</li>
<li>关键词附近的数字即为目标字段</li>
</ul>
步骤 3：输出结构化数据
步骤 4：人工校验后，加入模板库

某省实测：零样本提取准确率 82%，足够支撑人工快速校验。

问题 2：表格型费用清单如何处理？

费用清单是典型的”行数不定”表格，传统 OCR 模板无法处理。

解决方案：表格结构化提取

步骤 1：表格检测（使用 TableNet 模型）

<ul>
<li>输出：表格区域坐标</li>
</ul>

步骤 2：行列检测

<ul>
<li>使用投影法检测行线、列线</li>
<li>输出：单元格坐标矩阵</li>
</ul>

步骤 3：单元格识别

<ul>
<li>对每个单元格执行 OCR</li>
<li>输出：单元格文本</li>
</ul>

步骤 4：表头语义标注

<ul>
<li>识别第一行（表头）</li>
<li>标注每列类型：药品名称、规格、数量、单价、金额</li>
<li>使用 NLP 模型（如 BERT）理解表头语义</li>
</ul>

步骤 5：数据提取

<ul>
<li>按列类型提取数据</li>
<li>输出结构化列表</li>
</ul>

某省实测：表格提取准确率 94%，支持最多 50 行×15 列的表格。

问题 3：手写体票据如何处理？

部分基层医疗机构仍使用手写票据。

解决方案：手写体专用模型

模型架构：CRNN + Attention
训练数据：50 万 + 手写医疗票据样本
数据增强：

<ul>
<li>随机旋转、倾斜</li>
<li>添加噪声、模糊</li>
<li>模拟不同笔迹</li>
</ul>

后处理：

<ul>
<li>医疗术语词典校正</li>
<li>数字格式校验</li>
<li>上下文语义校验</li>
</ul>

实测：手写体识别准确率 85%（打印体 98%）。

四、系统架构：支撑日均 10 万张票据识别

硬件架构

图像接入层
├── 窗口高拍仪（实时拍摄）
├── 扫描仪（批量扫描）
├── 手机 APP（拍照上传）
└── 邮件/传真（历史票据）

OCR 处理层
├── 版式分类集群（CPU，4 节点）
├── 模板匹配集群（CPU，8 节点）
├── 深度学习集群（GPU，4 卡 A10）
└── 表格处理集群（CPU+GPU 混合，4 节点）

数据存储层
├── 原始图像（对象存储，50TB）
├── OCR 结果（Elasticsearch，全文检索）
├── 模板库（MySQL，1000+ 模板）
└── 样本库（用于持续训练）

性能指标

某省医保平台实测：

• 单张票据识别时间：P50=1.8 秒，P95=4.2 秒
• 并发处理能力：200 张/秒
• 日处理量：10 万 + 张
• 服务可用性：99.95%

持续学习机制

票据版式会不断更新，系统需要持续学习：

新票据到来
    ↓
版式分类
    ↓
是否有匹配模板？
    ├→ 有：使用模板识别
    └→ 无：零样本提取 + 人工校验
            ↓
        加入模板库
            ↓
        定期批量训练更新模型

某省数据：每月新增模板 15-20 个，模型季度更新一次。

五、实战效果：识别率与效率双提升

识别准确率

某省医保局测试数据（10000 张票据样本）：

效率提升

业务价值

• 审核员人力释放：从 120 人降至 35 人
• 审核时效提升：从 3 天降至 4 小时
• 差错率降低：从 4.5% 降至 0.9%
• 参保人满意度：从 72% 提升至 93%

六、踩过的坑

坑 1：热敏纸褪色 部分药店小票使用热敏纸，时间久了字迹褪色。 解决：图像增强（对比度提升、边缘锐化）；严重褪色的转人工。

坑 2：多页票据分页 费用清单多页时，扫描可能漏页或重复。 解决：检测页码连续性；金额合计校验。

坑 3：印章遮挡 医院公章、财务章遮挡关键字段。 解决：印章检测 + 去除（颜色分割）；严重遮挡的转人工。

坑 4：电子发票重复报销 同一张电子发票可能被多次打印报销。 解决：发票代码 + 号码去重；与财政部查验平台对接。

七、结语

处理百种票据格式，听起来是个”脏活累活”——没有高深的算法，只有无尽的模板和细节。

但正是这些”脏活累活”，支撑着医保报销的顺畅运行。当审核员不再需要为”这是哪里的发票”而困惑，当参保人不再需要等待数天才能拿到报销款——技术的价值，就体现在这些平凡的细节里。

OCR 识别医疗票据，只是医保数字化的基础设施。但基础设施的价值，不在于炫技，而在于稳定、可靠、持续地提供服务。

让机器做机器擅长的事（识别、计算），让人做人擅长的事（判断、决策）——这才是人机协作的正确姿势。