光學(xué)字符識別對卒中結(jié)構(gòu)化隨訪表格識別效果的對比研究

王馳 王偉 邱玉發(fā) 唐冬梅 舒張(通信作者)

215400 太倉市第一人民醫(yī)院卒中中心，江蘇太倉

目前隨著卒中中心建設(shè)的持續(xù)推進(jìn)，將結(jié)構(gòu)化隨訪表格用于患者隨訪的情況日益普遍，標(biāo)準(zhǔn)化的卒中隨訪與改善患者出院后的生活自理能力和降低再住院率有關(guān)[1-2]。其中積累的大數(shù)據(jù)是進(jìn)行分析提高卒中防治效果的寶貴資源，目前國內(nèi)大型臨床試驗(yàn)數(shù)據(jù)管理逐漸從紙質(zhì)化不斷向電子化數(shù)據(jù)采集(electronic data capture，EDC)轉(zhuǎn)變。但在客觀層面，電子病歷方案建設(shè)成本高，在卒中隨訪中紙質(zhì)儲存仍是普遍的儲存形式，但其不利于保存或進(jìn)行大數(shù)據(jù)分析[3]。同時(shí)結(jié)構(gòu)化表格具有冗余性、多樣性的特點(diǎn)，有研究顯示，人工錄入的數(shù)字化方式其平均時(shí)間成本每個(gè)字段為87.62 s[4]。因此高效的電子化技術(shù)對卒中治療發(fā)展具有重要意義。

光學(xué)字符識別(optical character recognition，OCR)是一種較為低成本的數(shù)字化方式，但識別率是整個(gè)OCR 工作的核心問題。有專家認(rèn)為OCR 識別率若＜90%則后期人工校正工作將抵消OCR 所帶來的效率。現(xiàn)實(shí)中由于圖像采集環(huán)境和方式的不穩(wěn)定性，OCR在實(shí)際場景中的識別率常低于標(biāo)準(zhǔn)，也是限制其實(shí)際應(yīng)用的核心問題。隨著現(xiàn)代化技術(shù)的發(fā)展，對于結(jié)構(gòu)化表格，可以通過模型構(gòu)建實(shí)現(xiàn)進(jìn)一步提高在真實(shí)環(huán)境下的識別率。本文旨在分析不同OCR 方案在真實(shí)環(huán)境中對紙質(zhì)卒中隨訪表格的識別效果，探索OCR技術(shù)在結(jié)構(gòu)化卒中隨訪表格電子化中的可行性。

資料與方法

收集太倉市第一人民醫(yī)院2019-2020年社區(qū)、鄉(xiāng)鎮(zhèn)人群心腦血管病危險(xiǎn)因素紙質(zhì)隨訪表，圖像采集均為手機(jī)拍攝，攝像頭1 200 萬像素，圖片分辨率統(tǒng)一為1 080×1 440，圖片大小2.8 MB，共計(jì)60 張。根據(jù)圖像采集質(zhì)量分為正常(圖片采集角度＜30°且無光線陰影)、角度不佳(圖片采集角度30°～45°)、光線不佳(采集時(shí)圖片內(nèi)容中存在明顯的光線陰影)。

方法：①通用文字識別：60 張圖片均采用通用OCR 和百度自定義模板文字識別(IOCR)分別識別1次。社區(qū)、鄉(xiāng)鎮(zhèn)人群心腦血管病危險(xiǎn)因素隨訪表數(shù)字化后共計(jì)1 236 字符，將正常、角度不佳、光線不佳圖片分別輸入OCR，文字識別調(diào)用百度通用文字識別API進(jìn)行識別，輸出文字經(jīng)人工校對與原始數(shù)據(jù)對比，計(jì)算錯誤率。②模板構(gòu)建及識別：采用IOCR 功能，以電子版社區(qū)、鄉(xiāng)鎮(zhèn)人群心腦血管病危險(xiǎn)因素隨訪表作為上傳模板，以版式中位置和內(nèi)容固定不變的字段作為參照字段，對識別圖片進(jìn)行校正。將正常、角度不佳、光線不佳圖片分別輸入OCR，文字識別調(diào)用構(gòu)建的IOCR 模板API 進(jìn)行識別，輸出文字經(jīng)人工校對與原始數(shù)據(jù)對比，計(jì)算錯誤率。

統(tǒng)計(jì)學(xué)方法：數(shù)據(jù)采用SPSS 22.0 統(tǒng)計(jì)學(xué)軟件分析，經(jīng)Shapiro-Wilk法進(jìn)行正態(tài)性檢驗(yàn)，識別正確率不服從正態(tài)分布，采用中位數(shù)(最小值，最大值)表示。通用OCR 和IOCR 的組間比較采用Wilcoxon符號秩檢驗(yàn)。三組總體比較采用Kruskal-Wallis H檢驗(yàn)，兩兩比較采用Bonferroni法。

結(jié) 果

通用OCR 與IOCR 的識別率比較：通用OCR 與IOCR 識別率比較，差異有統(tǒng)計(jì)學(xué)意義(P＜0.05)。正常、角度不佳、光線不佳圖片的通用OCR 識別率比較，差異有統(tǒng)計(jì)學(xué)意義(P＜0.05)；正常、角度不佳、光線不佳圖片的IOCR 識別率比較，差異有統(tǒng)計(jì)學(xué)意義(P＜0.05)。見表1。

表1 通用OCR與IOCR的識別率比較[%(最小值，最大值)]

討 論

本研究中，通用OCR 和IOCR 在正常情況下識別率均＞99%，與理論值相仿。但在角度不佳或光線不佳情況下總體識別率明顯低于正常情況，差異有統(tǒng)計(jì)學(xué)意義(P＜0.05)。角度不佳情況下通用OCR 和IOCR識別率分別為86.1%和93.7%，這與OCR 系統(tǒng)的圖像預(yù)處理有關(guān)，傾斜角度＞3°就可能導(dǎo)致在矯正過程中對字符產(chǎn)生切割和識別錯誤[5]。因此病歷拍照存檔多采用高拍儀以保證拍攝角度，而卒中相關(guān)軟件多為手機(jī)端應(yīng)用，所以在圖像采集時(shí)應(yīng)注意拍攝角度問題[6]。光線不佳對識別率影響較小，通用OCR 及IOCR識別率分別為97.1%及98.1%，需要校對的文字較少。

隨著卒中建設(shè)的不斷推進(jìn)，特別是向縣域基層醫(yī)療機(jī)構(gòu)推進(jìn)的過程中信息化發(fā)展不平衡更為明顯，經(jīng)濟(jì)發(fā)達(dá)地區(qū)信息化水平明顯高于欠發(fā)達(dá)地區(qū)和農(nóng)村基層醫(yī)院，一、二級醫(yī)院由于受資金和人才因素的制約，信息化建設(shè)整體水平偏弱，高成本的電子化建設(shè)方案無法普遍適用[7]。在實(shí)際工作中電子化檔案管理仍存在如技術(shù)發(fā)展不成熟、檔案整合性差、信息儲存方式不合理等問題[8]。同時(shí)國內(nèi)卒中相關(guān)的大數(shù)據(jù)研究逐漸增多，電子化要求日益突出。尹芳等[9]研究顯示，與紙質(zhì)材料相比，電子化數(shù)據(jù)研究成本減少≥60%，同時(shí)電子化數(shù)據(jù)的臨床試驗(yàn)完成時(shí)間較紙質(zhì)材料提前1～3 個(gè)月。因此加強(qiáng)檔案電子化進(jìn)程，優(yōu)化電子化管理模式有利于更好地提高卒中救治推進(jìn)及整體效果。

綜上所述，不同OCR 識別方案在真實(shí)環(huán)境中對卒中隨訪表格的識別效果有顯著差異，結(jié)構(gòu)化表格可通過模板構(gòu)建的IOCR 識別方案提高識別率，在正常采集角度下能夠基本滿足臨床需求，極大地提高醫(yī)生的錄入效率，形成電子檔案，為數(shù)據(jù)的進(jìn)一步利用提供基礎(chǔ)。