ClinOCR-Bench：用于光学字符识别模型评估的综合临床扫描文档数据集

从扫描的医疗文档（例如外部实验室报告和手动填写的表格）中提取文本信息一直是现代电子健康记录（EHR）中的一个主要挑战。视觉语言模型 (VLM) 的最新进展显示出比传统 OCR 工具更大的前景。然而，目前大多数临床 OCR 研究都是在私人机构数据上进行的。据我们所知，用于评估临床领域 OCR 模型的公开数据集很少。此外，破坏 OCR 性能的常见扫描伪影并未反映在这些数据集中，从而导致系统评估不可行。因此，我们发布了一个公开的、逼真的 OCR 基准数据集 ClinOCR-Bench，其中包含 6 个子集的 384 个扫描图像：正常、手写、质量较差、旋转、表格和混合工件。 ClinOCR-Bench 的特点：1) 多样化的文档类型和布局，2) 全面覆盖常见的 EHR 扫描工件，3) 不受保护的健康信息，4) 模板感知的训练/测试分割，以及 5) 用于 OCR 基准测试的足够的样本量。使用最先进的开放权重和专有 VLM 评估基线 OCR 性能。数据集和文档可在 GitHub (https://github.com/ClinOCR-Bench/ClinOCR-Bench) 上获取。