MedStruct-S：关键发现、关键条件 QA 和 OCR 临床报告半结构化提取的基准

从 OCR 衍生的临床报告中提取半结构化信息 (IE) 对于有效重建患者的纵向病史至关重要。在实践中，此场景通常涉及三个任务：（i）字段头（键）发现，（ii）键条件问答（QA），以及（iii）端到端键值对提取。然而，现有的评估通常低估了两个因素：异构且不完全已知的关键表示，以及 OCR 引起的噪声。这使得在现实环境中评估模型的稳健性变得困难。我们推出了 MedStruct-S，这是一个专门设计用于评估未知密钥和 OCR 噪声下的这些任务的基准。 MedStruct-S 包含 3,582 个带注释的真实临床报告页面。使用 MedStruct-S，我们对两种代表性范式进行了基准测试：带有后处理的仅编码器序列标记和仅解码器结构化生成，涵盖涵盖 0.11B 至 103B 参数的四个仅编码器和五个仅解码器模型。我们的结果表明，尽管仅编码器模型比仅解码器模型小得多，但仅编码器模型在非空值键条件 QA 方面实现了最佳性能。当比较相似数量级的模型时，仅编码器模型总体上仍然表现更好。在不控制模型规模的情况下，经过微调的仅解码器模型可提供最强的整体结果。这些发现表明，该基准测试为选择和比较不同半结构化 IE 设置的模型提供了可靠且实用的基础。