医保局OCR解决方案

针对社保局（医保局）应用场景，医疗OCR的“完整性”不仅仅是指识别文字，更核心的是数据的准确性、业务逻辑的闭环以及防伪篡改能力。社保报销涉及发票、费用清单、出院小结、病历等多种复杂票据，且面临极高的医保欺诈风险。

以下是一个针对社保局医疗OCR完整性解决方案的系统架构与核心功能设计：

---

一、 核心痛点与目标

• 痛点： 人工录入效率低、票据版式千变万化、PS篡改票据骗保、医疗项目与费用明细不匹配。
• 目标： 实现**“票据全票面识别 + 逻辑自动校验 + 篡改痕迹检测 + 医疗知识图谱审核”**的四位一体完整性闭环。

---

二、 解决方案架构设计

该方案分为四个层级：图像预处理层、核心识别层、完整性校验层（核心）、业务应用层。

1. 图像预处理层 (Image Enhancement)

为了保证识别的完整性，首先要保证输入的质量。

• 智能切边与矫正： 针对手机拍照的歪斜、折叠票据进行几何矫正。
• 去噪与去印章干扰： 医疗发票常有红色印章覆盖文字，需通过GAN（生成对抗网络）技术去除印章遮挡，保留底层文字，同时提取印章特征用于后续验真。

2. 核心识别层 (Advanced OCR)

• 结构化提取： 不仅仅是全文识别，而是针对医疗发票（门诊/住院）、费用清单、出院记录进行Key-Value结构化提取（如：姓名、社保号、统筹金额、自费金额、药品列表）。
• 多页合并与重组： 针对超长的住院费用清单，系统需具备跨页表格自动合并能力，确保明细不丢失、不重复。

3. 完整性校验层 (Integrity & Validation) —— 方案灵魂

这是社保局最关心的部分，确保数据“逻辑完整”且“真实”。

• A. 视觉篡改检测 (Tamper Detection):
  • PS痕迹检测： 利用深度学习模型检测图片是否存在复制粘贴（Copy-move）、拼接（Splicing）或擦除痕迹。
  • EXIF/元数据分析： 检查图像来源是否经过编辑软件处理。
  • 字体一致性分析： 检测票据上的数字、金额字体是否与周边文字存在微小差异（这是篡改金额的常见手段）。
• B. 数学逻辑校验 (Mathematical Logic):
  • 行列计算平衡： 自动校验 单价 × 数量 是否等于 金额。
  • 总分校验： 校验 所有子项金额之和 是否等于 总金额。
  • 医保逻辑校验： 校验 统筹支付 + 个人账户支付 + 现金支付 是否等于 总金额。
• C. 业务与知识校验 (Knowledge Graph Check):
  • 三目匹配（药品/诊疗项目）： 将识别出的药品名称自动映射到国家医保标准编码（贯标），判断是否属于报销范围（甲/乙/丙类）。
  • 诊断与用药一致性： 结合医疗知识图谱，判断“诊断结果”与“开具药品”是否逻辑互斥（例如：男性患者开具妇科检查，或感冒诊断开具治疗心脏病的昂贵药物）。

4. 业务应用层 (Application)

• 智能审核工作台： 仅将置信度低或逻辑校验失败的单据推送到人工审核界面，高亮显示存疑字段。
• 档案归档： 将原始图像与识别后的结构化XML/JSON数据由区块链存证或电子签名加密，确保归档后的不可篡改性。

---

三、 关键技术亮点

技术模块	详细功能	解决问题
表格解析 (Table parsing)	处理无线框表格、跨页长表格	解决住院费用清单几百行明细的连续性读取问题，防止漏读。
NLP 模糊匹配	药品名/医院名纠错与归一化	解决医院自编项目名称与社保中心标准目录不一致的问题。
印章鉴伪	提取印章红层，比对形状与纹理	防止使用假发票或废旧发票重复报销。
全字段置信度评分	对每个识别字段给出可信度分数	允许系统设定阈值，低于98%可信度的自动转人工，平衡效率与准确率。

---

四、 实施流程建议

1. 数据清洗与样本库建立： 收集本省/市主要医院的历史票据版式，训练专用模板模型。
2. 接口对接（API Integration）： 将OCR服务嵌入社保局现有的“智慧医保”APP或内部审核系统。
3. 灰度测试： 选取特定险种（如异地就医报销）进行试点，对比人工审核与机器审核的差异。
4. 反馈学习机制： 建立人工修正数据的回流机制，让模型随着审核量的增加越来越聪明（Human-in-the-loop）。