Skip to content

SandHit254/Medical_EMR_Analysis_System

BranchesTags

Repository files navigation

重要声明 (Disclaimer)

本项目仅作为学术研究与毕业设计作品，旨在展示人工智能（NLP）算法落地逻辑、人机协同架构与医疗信息化工程，不具备任何实际医疗用途。

  • 非临床建议：系统生成的推断结论（如用药目的、临床结论等）均基于预训练模型与专家规则，未经临床验证，严禁直接用于真实医疗诊断、用药指导或治疗建议。
  • 学术研究性质：本项目所有识别结果、推断逻辑仅供学术交流与技术探讨使用，使用者需承担因误用而产生的风险。
  • 数据隐私：请勿将含有真实敏感个人信息的病历上传至任何公共环境。

This project is for academic demonstration purposes ONLY and is NOT intended for actual clinical use or medical diagnosis.

医疗病历智能感知与人机协同中枢

(Medical EMR Intelligence & Human-in-the-Loop System)

Python 3.10 PyTorch 2.0+ Flask 3.0+ Transformers 4.46.0 License: MIT

本项目是一个基于深度学习（MacBERT + RoPE GlobalPointer）与动态规则引擎双驱架构的现代化医疗 NLP 工作站。专为非结构化临床文本（手写/打印病历、PDF 报告、电子文档）设计，探索了 AI 算法在垂直行业落地的工程化范式。

核心亮点：

  • 多模态全兼容：支持图片 OCR 视觉感知与 PDF/Docx/TXT 纯文本极速直通。
  • 精准语义认知：解决医疗长文本实体嵌套难题，内置极性逻辑推演（阴性/阳性体征判定）。
  • 工业级 MLOps：包含动态配置热重载、EMPI 患者网关、CDSS 高危拦截与防篡改归档机制。
  • 沉浸式交互：摒弃黑盒输出，打造类 IDE 的“划词干预-实时重载”人机协同（HITL）闭环。

一、 项目目的与意义 (Project Purpose & Significance)

  1. 规范化基层医疗数据资产：针对非结构化的手写/打印病历，提供低门槛的数字化与结构化解决方案，解决纸质病历易丢失、难检索的痛点。
  2. 打通院际信息孤岛：将杂乱的文本转化为标准结构化 JSON 数据，方便向更高级别医院转院时的病史精准查阅与系统级数据对接。
  3. 突破静态 AI 落地局限（核心探索）：传统的 AI 模型在部署后往往成为“黑盒”，本项目通过引入主动学习（Active Learning）与动态配置机制，探索了一条轻量级医疗 AI 系统的持续演化路径，有效降低了模型在垂直领域的水土不服。

二、 核心工程架构与技术壁垒 (Core Engineering Innovations)

本项目摒弃了传统 AI 模型“只管识别、不管业务”的孤岛模式，将算法表现层与医疗业务逻辑深度融合，构筑了以下四大核心技术基柱：

2.1 双模态智能感知与深度语义网络 (Dual-Modal Perception & Deep Cognition)

技术栈: RapidOCR | PyMuPDF | MacBERT + RoPE GlobalPointer | 极性辖域传导

  • 多模态全兼容与智能熔断：系统原生集成图文双轨解析。支持 PDF/图片 的超采样栅格化 OCR，同时提供 Word/TXT 的“纯文本闪电直通车”——物理熔断庞大的视觉感知层，实现毫秒级直通 NER 认知计算。
  • 复杂语境精准解构：底层采用注入了旋转位置编码（RoPE）的 GlobalPointer 网络，从数学维度彻底解决医疗长文本的“实体嵌套”难题；独创“基于枚举正则的极性传染算法”，沿着语法树精准传导“阴性/排除”状态，消灭传统模型在长连词句下的“假阳性”幻觉。

2.2 强约束质控与全栈 CDSS 拦截网关 (Clinical Quality Gate & CDSS)

技术栈: EMPI 跨时空继承 | 双向状态机监听 | JSON 规则树碰撞

  • 无死角的高危预警防线：前置 EMPI 网关自动寻址并跨时空继承老患者的历史过敏史。内嵌临床决策支持系统（CDSS），实时双向监听 AI 提取与人工手写的药物数据，一旦触发配伍禁忌，瞬间爆出血红色高压拦截警报。
  • 底线级物理质控归档：基于 rules.json 动态下发表单与必填项约束。医生签署终态归档时，若系统扫描到“主诉”或“初步诊断”等核心节点为空，将实施物理拦截并强制转移焦点，逼迫人工介入补充，确保落库的 06_human_verified.json 数据绝对合规。

2.3 类 IDE 沉浸式人机协同工作站 (Immersive Human-in-the-Loop)

技术栈: 自适应弹性网格 | DOM 坐标重组引擎 | 启发式智能摘要

  • 现代化非对称全景视口：全面摒弃拥挤的后台管理网格，打造类似 VSCode 的“左侧聚合中枢 + 右侧沉浸工作区”布局。在纯文本直通模式下，系统动态销毁图像占位容器，将高亮映射区 100% 满宽自适应平铺。
  • 毫秒级手术刀微操反馈：首创“文本偏移隐式修复引擎”。医生可直接在原文划词增删实体，系统仅将修改的单段文本发往大模型进行局部张量重载，并自动重新对齐全篇绝对坐标，实现页面零闪烁的完美交互；系统生成的 AI 辅诊摘要支持一键点击注入草稿垫，打通“AI 提议 - 人工定夺”的最后一公里。

2.4 现代化 MLOps 与动态热重载中枢 (Dynamic MLOps Console)

技术栈: 单例线程锁 (Threading.Lock) | GUI ⇆ JSON 双向序列化桥接

  • 摆脱硬编码的全局统治台：在 Web 端实现平滑滑出的大型抽屉式配置中枢，统管算力调度配置、模型置信度阈值、OCR 纠错字典、动态 EMR 表单结构以及 CDSS 拦截规则。
  • 零宕机 (Zero-Downtime) 规则演化：支持傻瓜式可视化修改与高阶开发者纯 JSON 源码编辑。任何保存操作均依托底层的并发安全单例锁，在不重启 Python 后端进程的前提下瞬间执行内存级热重载，并自带“一键恢复出厂设置”的沙盒时光机功能。

三、 全栈系统架构与管线工作流 (Architecture & Workflows)

本系统采用高度解耦的微服务化流式（Streaming-Pipeline）设计。为全方位展示底层张量流转与业务编排，以下提供四个维度的核心架构图解（极具学术与工程参考价值）：

3.1 系统总体层级拓扑 (Overall System Architecture)

系统采用标准的四层架构，确保前端渲染、API 网关、AI 算力与底层存储的绝对物理隔离。

graph TD
    subgraph PresentationLayer ["表现层 Presentation Layer"]
        UI["现代非对称双栏工作站 UI"]
        Form["动态质控结构化表单"]
        CDSS_UI["CDSS 视觉扫雷预警"]
        Console["抽屉式 MLOps 配置中枢"]
    end

    subgraph GatewayLayer ["调度与网关层 Gateway Layer"]
        API["Flask RESTful 路由总线"]
        Auth["EMPI 跨时空身份锁屏网关"]
        Router["文件类型智能侦测分流器"]
    end

    subgraph CoreEngineLayer ["神经计算与逻辑中台 Core Engine Layer"]
        Processor["数据中台: 清洗 / 截断 / 极性传导"]
      
        subgraph Perception ["视觉感知 Perception"]
            PDF["PyMuPDF 2x栅格化"]
            Docx["Word 富文本提取"]
            OCR["RapidOCR 视觉引擎"]
        end
      
        subgraph Cognition ["语义认知 Cognition"]
            BERT["MacBERT 预训练基座"]
            GP["RoPE GlobalPointer 解码"]
        end
    end

    subgraph PersistenceLayer ["持久化与状态层 Persistence Layer"]
        JSON[("全生命周期快照 01-06.json")]
        Cfg[("动态配置池 rules.json")]
        Search["多模态跨病历检索引擎"]
    end

    UI <-->|"AJAX / 状态机同步"| API
    API <--> Auth
    API <--> Router
    Router --> PDF
    Router --> Docx
    Router --> OCR
    Router --> Processor
    OCR --> Processor
    Processor <--> BERT
    BERT --> GP
    GP --> Processor
    API <--> JSON
    API <--> Cfg
    API <--> Search
    Cfg -.->|"Hot-Reload 单例热更新"| Processor
    Cfg -.-> GP
    Cfg -.-> API
Loading

3.2 双模态智能分流管线 (Dual-Modal Pipeline Workflow)

针对不同类型的医疗数据载体，系统能够智能寻址并触发物理熔断，实现算力的最优化调配。

flowchart TD
    Start(["接诊: 获取前端上传载荷"]) --> ModeCheck{"侦测输入文件模态"}
  
    %% 文本直通管线
    ModeCheck -- "TXT / Docx / 纯文本" --> TextExtract["原生文本解析抽取"]
    TextExtract --> Bypass["触发纯文本直通模式"]
    Bypass --> |"物理熔断 OCR 层, 节约算力"| Clean["数据中台: 全角/半角清洗"]
  
    %% 图像感知管线
    ModeCheck -- "JPG / PNG / PDF" --> IsPDF{"是否为 PDF?"}
    IsPDF -- "是" --> PDFRender["矩阵运算: 2x超采样高清栅格化"]
    PDFRender --> OCR["唤醒 RapidOCR 张量提取"]
    IsPDF -- "否" --> OCR
    OCR --> Clean
  
    %% 融合与兜底
    Clean --> Regex{"正则锚点命中?"}
    Regex -- "未命中" --> Fallback["触发兜底机制: 封装入沙箱"]
    Regex -- "命中" --> Section["执行段落物理切片"]
  
    Fallback --> NER["移交 NER 神经认知网络"]
    Section --> NER
    NER --> Output(["生成结构化张量并下发视图"])

    classDef fast fill:#dcfce7,stroke:#22c55e,stroke-width:2px;
    class Bypass fast;
    classDef fallback fill:#fff3e0,stroke:#e65100,stroke-width:2px;
    class Fallback fallback;
Loading

3.3 深度语义认知与极性推演流 (Deep Cognition & Polarity Flow)

展示从一段粗糙的文本到生成具备“阳性/阴性”逻辑属性的结构化实体的算法全过程。

graph LR
    Input(["原始段落切片"]) --> Tokenizer["BertTokenizerFast 编码"]
    Tokenizer --> |"input_ids, mask"| MacBERT["MacBERT 特征提取层"]
    MacBERT --> |"last_hidden_state"| Dense["Dense 降维投影"]
  
    Dense --> RoPE["注入 Sinusoidal 旋转位置编码"]
    RoPE --> Score["计算 Token-Pair 关联概率矩阵"]
    Score --> Threshold["置信度阈值过滤"]
  
    Threshold --> Filter["滤除无效 Padding 坐标"]
    Filter --> Nested["MLF 实体嵌套消解算法"]
  
    Nested --> Polarity["滑动窗口极性辖域扫描"]
    Polarity --> |"无/否认/未见"| Neg["标记为: 阴性或排除"]
    Polarity --> |"常规语境"| Pos["标记为: 阳性或确诊"]
  
    Neg --> Result(["输出高质量实体集"])
    Pos --> Result(["输出高质量实体集"])
  
    classDef rope fill:#e1f5fe,stroke:#0288d1,stroke-width:2px;
    class RoPE rope;
    classDef nested fill:#f3e5f5,stroke:#7b1fa2,stroke-width:2px;
    class Nested nested;
    classDef polarity fill:#ffebee,stroke:#c62828,stroke-width:2px;
    class Polarity polarity;
Loading

3.4 MLOps 人机协同与 CDSS 时序交互 (HITL & CDSS Sequence)\

抛弃 AI 黑盒，展示医生如何通过 UI 干预模型的输出，并触发底层的安全拦截网关。

sequenceDiagram
    autonumber
    actor Doc as 医生 (Doctor)
    participant UI as 前端状态机 (Frontend)
    participant API as 后端调度器 (Backend)
    participant Model as 神经推理层 (AI Model)
    participant Storage as 强约束网关与存储 (Storage)

    Doc->>UI: 划选遗漏词汇，点击设为实体
    UI->>UI: 自动计算基于当前段落的绝对坐标
    UI->>API: 触发实时 CDSS 校验
  
    alt 触发处方禁忌 (如: 青霉素过敏->阿莫西林)
        API-->>UI: 返回致命预警指令
        UI-->>Doc: 页面顶部炸出血红色闪烁警告
    end

    Doc->>UI: 发现 OCR 错词，执行字典纠错反哺
    UI->>API: 发送错词映射对
    API->>Storage: 写入 rules.json 触发单例热重载
    API-->>UI: 提示 知识反哺成功，后续生效

    Doc->>UI: 修改左侧表单大段文本
    UI->>API: 触发 /api/dynamic_ner 局部微服务
    API->>Model: 仅发送被修改的段落 (节省算力)
    Model-->>UI: 返回局部重组坐标，页面无感刷新

    Doc->>UI: 点击确认终态并入库
    UI->>Storage: 提交 06_Human_Verified.json
    alt 遗漏必填项 (如: 主诉为空)
        Storage-->>UI: 执行物理拦截
        UI-->>Doc: 红色描边锁定错误字段，强制转移焦点
    else 质控通过
        Storage->>Storage: 落库持久化，追加防篡改时间戳
        UI-->>Doc: 提示入库成功，流转至下一位患者
    end
Loading

四、 目录结构与模块深度解析 (Project Structure)

本项目严格遵循现代软件工程规范，实现了前后端分离、业务代码与配置解耦的底层架构设计。以下为本系统的完整物理工程目录树 :

/Medical_EMR_Intelligence/         # 项目根目录
├── app/                           # 核心算子与后端控制逻辑层
│   ├── __init__.py                # 包声明文件
│   ├── config_manager.py          # [核心] 线程安全的单例动态配置总线
│   ├── exceptions.py              # 全局自定义异常捕获池
│   ├── model.py                   # PyTorch GlobalPointer 神经网络架构
│   ├── ner.py                     # MacBERT 认知与张量切片推理算子
│   ├── ocr.py                     # RapidOCR 多模态视觉感知提取算子
│   ├── processor.py               # 数据清洗、正则截断与极性传导逻辑中台
│   ├── storage.py                 # I/O 持久层、CDSS 碰撞与多模态检索引擎
│   └── train.py                   # 独立的神经认知层 Fine-tuning 微调脚本
│
├── configs/                       # 动态规则与热重载中枢
│   ├── global_settings.json       # 算力调度 (CPU/CUDA) 等系统级参数
│   ├── model.json                 # NER 阈值、标签映射字典 (id2label)
│   ├── rules.json                 # CDSS 拦截簇、纠错字典、动态表单渲染架构
│   └── *_default.json             # 各配置的沙盒备份（用于恢复出厂设置）
│
├── data/                          # 训练数据集存放区
│   └── cmeee_v2/                  # CMeEE-V2 医疗命名实体识别语料库
│
├── docs/                          # 项目文档区
│   └── API_REFERENCE.md           # 开发者 API 与底层接口参考手册
│
├── models/                        # 模型权重挂载区
│   └── ner_model.pt               # 基于医疗语料微调的本地张量权重
│
├── output/                        # 生产环境数据持久化归档区
│   └── patient_records/           # 自动生成的患者 EMPI 标识目录
│       └── PID_XXXXXX/            # 以哈希值隔离的患者终身档案
│           └── V_20260310_.../    # 就诊流水快照 (包含01源图至06核验库文件)
│
├── static/                        # 前端静态资产与交互脚本
│   ├── css/style.css              # 玻璃拟物态渲染规范与主题
│   └── js/main.js                 # 极其硬核的前端状态机与微操流转控制
│
├── templates/                     # 视图渲染层
│   └── index.html                 # 现代非对称双栏沉浸式工作站 UI
│
├── uploads_temp/                  # 运行时的多模态文件 (图片/PDF/文档) 临时缓存区
│
├── main.py                        # 基于 DAG 的双模态主调度器 (Pipeline 主入口)
├── web.py                         # Flask 宿主、API 路由网关与 PDF 栅格化挂载
├── requirement.txt                # 生产环境依赖清单
└── readme.md                      # 项目说明文档

五、 技术栈选型 (Tech Stack)

本项目在选型上兼顾了学术前沿算法与工业级落地稳定性，构建了极度解耦的全栈解决方案：

AI 模型与算法层 (AI & Deep Learning)

  • 深度学习框架: PyTorch 2.x
  • 预训练语言基座: HuggingFace Transformers (hfl/chinese-macbert-base)
  • 核心解码网络: GlobalPointer (内嵌 RoPE 旋转位置编码，从数学底层降维打击实体嵌套与重叠问题)
  • 多模态视觉感知: RapidOCR (基于 ONNXRuntime 的极速轻量级推理，替代传统笨重的独立 OCR 服务)

后端调度与数据中台 (Backend & Data Ops)

  • 微服务路由宿主: Flask (RESTful API), Werkzeug
  • 文档解析引擎: PyMuPDF (fitz) (支持 PDF 矩阵运算与 2x 超采样栅格化), python-docx (Word 富文本提取)
  • 底层状态与流转: 基于 Threading.Lock 的并发安全单例模式，以及隐式绝对坐标漂移补偿算法

沉浸式前端工作站 (Frontend UI/UX)

  • 布局与视觉骨架: Bootstrap 5, HTML5/CSS3
  • 交互与状态机引擎: 原生 Vanilla JavaScript (ES6), 采用 SessionStorage 实现跨路由防丢锁，引入 ResizeObserver 防治内存泄漏
  • 设计语言: Glassmorphism (现代磨砂玻璃拟物化视效), 弹性的跨设备响应式自适应网格

高阶工程化范式 (Advanced Engineering Paradigms)

  • 零宕机 MLOps: 内存级配置热重载 (Hot-Reloading)、GUI ⇆ JSON 双向绑定与无缝序列化
  • 人机协同 (Human-in-the-Loop): 划词单段微服务重载、字典知识反哺闭环、AI 实体药丸 (Entity Chips) 一键注入
  • HIS 级业务风控体系: EMPI 历史过敏档案跨时空继承、CDSS 实时高压禁忌预警、防篡改签名与归档强约束质控

六、 部署与使用指南 (Deployment & Usage)

6.1 环境准备 (Environment Setup)

本系统基于 Python 3.10 构建，为避免环境冲突，强烈建议使用 Anaconda / Miniconda 创建独立的虚拟环境。

# 1. 克隆或下载本项目至本地
git clone https://github.com/SandHit254/Medical_EMR_Analysis_System.git
cd Medical_EMR_Intelligence

# 2. 创建虚拟环境并激活
conda create -n cdss_env python=3.10 -y
conda activate cdss_env

# 3. 安装核心运算与 Web 宿主依赖
pip install -r requirement.txt

6.2 模型装载

由于平台对大文件的限制，预训练模型及微调权重需自行挂载：

NER 张量权重：请确保已将微调后的 ner_model.pt 放置于项目根目录的 /models/ 文件夹下。

NLP 预训练基座：系统首次运行前将自动从 HuggingFace 下载 hfl/chinese-macbert-base。

离线部署提示 (Offline Mode)：若服务器处于内网物理隔离环境，请提前将 MacBERT 权重下载至本地，并在 Web 端设置中心的 model.json 面板中，将寻址路径更改为本地绝对路径。

6.3 启动智能中枢

在项目根目录执行以下命令唤起 Web 服务：

python web.py

当终端提示

* Running on all addresses (0.0.0.0)
* Running on http://127.0.0.1:5000
* Running on http://X.X.X.X:5000

时，表示神经计算图已构建完毕。使用现代浏览器（推荐 Chrome / Edge）访问 http://127.0.0.1:5000/ 即可进入工作站。

6.4 交互演示与 MLOps 操作手册 (Workflow Walkthrough)

Important

前置屏障：确立患者身份 (EMPI 网关) 遵循真实 HIS 规范，进入系统后影像采集通道将处于默认锁定状态。必须首先点击左侧【确立/切换】弹出 EMPI 网关，提取历史患者或建档新患者。锁定身份后，工作站方可解锁并进入“绿灯就绪”状态。

1.多模态数据采集与极性审查

  • 影像感知 (Image Perception)：上传包含医疗文本的 JPG/PNG 或 PDF 扫描件（底层引擎将自动提取 PDF 首页并进行 2x 矩阵高清放大渲染）。
  • 文本直通 (Text Direct)：直接上传 TXT/Word 文档，或在文本框中粘贴长文本。系统将闪电直通结构化认知层。
  • 极性视觉映射：在右侧【语义识别投影】区，灰色且带有红色(排除)字样并划掉的实体，代表被系统“极性传导引擎”判定为阴性历史（如：否认高血压）。

2.沉浸式人机协同干预 (HITL Micro-ops)

  • 划词新增 (Zero-Shot Entity)：用鼠标划选任意遗漏文本，系统将在光标上方弹射【悬浮舱】。点击“设为实体”并选择类别，即可动态注入特征空间。
  • 悬浮纠错 (Data Flywheel)：划选 OCR 识别错误的乱码，点击“字典纠错”，输入正确词汇即可触发数据飞轮，永久反哺底层清洗规则库。
  • 属性翻转：点击任意已高亮的实体色块，即可在弹窗中一键修改其所属类别，或一键翻转阴阳极性。

3.局部微服务流转与自适应重构

  • 无感刷新重载：点击任意段落右上角的 [增删文本] 进行修改。完成后点击 [向下传导]，系统仅将修改后的单段文本发往底层大模型进行局部张量重载，并自动对齐全篇的绝对坐标，实现页面零闪烁刷新。
  • CDSS 触发测试：尝试人为将处方文本修改为“青霉素”，若病历既往史段落存在“青霉素过敏”字样，系统将瞬间拦截并爆出血红色高危预警。

4.结构化复核与强约束归档 (Quality Gate)

  • 实体一键采纳：切换至【结构化复核】标签页，光标定位到左侧标准表单框。点击右侧悬浮的“AI 实体药丸（Chips）”，即可自动无缝拼接入表单，阴性实体将智能补充“无”字前缀。
  • AI 辅诊摘要：在【逻辑入库】标签页，点击绿色“智能辅诊胶囊”，即可一键生成连贯的医学诊断草稿。
  • 强临床约束拦截：点击【确认终态并入库】时，若遗漏了配置字典中规定的必填项（如“主诉”或“过敏史”），系统将被强制物理阻断并红色高亮警告。校验通过后，生成带时间戳防篡改的 06_Human_Verified.json 归档。

5.全局中枢调度与重置 (Global Console)

  • 实时参数热控：点击页面右上角 [全局参数] 按钮。可在可视化界面秒级增删 CDSS 规则、OCR 纠错词，或一键切换 CPU / CUDA 张量算力。
  • 纯文本开发者模式：支持无缝切换至【纯文本底层 (JSON)】模式直接编写映射代码，或随时触发【恢复出厂设置】进行单例级内存热重载。
  • 状态清除：归档完成后，点击左侧新增的【结束接诊 / 重启工作台】按钮，安全清空内存上下文，迎接下一位患者。

七、 🔌 开发者文档与 API 参考手册 (Developer & API Reference)

为了方便学术界复现、二次开发，以及与第三方医疗信息化系统（如 HIS/LIS/PACS）进行低耦合的无缝集成，本项目提供了底层算子说明与微服务接口规范。

  • 调度内核 (Orchestrator)：基于 DAG（有向无环图）的双模态主干调度器源码逻辑与生命周期管理。
  • 微服务总线 (RESTful API)：局部 NER 毫秒级热重载、CDSS 动态拦截网关的入参/出参严格校验标准。
  • 逻辑中台 (Data Processor)：NLP 引擎核心算法（极性辖域传导、MLF 实体嵌套消解、绝对坐标重构）的函数级调用规范。
  • 内存状态机 (State Machine)：window.SYSTEM_CONTEXT 跨路由防丢锁机制与双向 JSON 数据流转协议。

详细的接口定义、类结构剖析与系统级扩展指南，请移步查阅： docs/API_REFERENCE.md

八、数据集引用与致谢 (References & Acknowledgements)

本系统的底层算法研究、模型微调与工程化落地，深度依赖并受益于开源社区的杰出贡献。特此向以下项目、平台与学者表达最诚挚的敬意：

  • CMeEE-V2 (Chinese Medical Entity Extraction)：感谢 CBLUE (中文医疗信息处理挑战榜) 平台提供的权威开源数据集，为本项目的领域微调与张量拟合提供了坚实的数据基座。
  • MacBERT：感谢 HFL (哈工大讯飞联合实验室) 开源的优秀中文预训练语言模型，为底层的深度语义特征提取提供了强大的算力支撑。
  • GlobalPointer：感谢 苏剑林 (Jianlin Su) 提出的全局指针网络思想与数学架构，极其优雅且高效地降维解决了医疗文本中复杂的“实体嵌套与重叠”痛点。
  • RapidOCR：感谢该团队开源的基于 ONNX 运行时的跨平台高效 OCR 框架，赋予了本系统极速的医疗影像视觉感知能力。

“If I have seen further, it is by standing on the shoulders of giants.”

感谢所有为中文自然语言处理（NLP）与医疗信息化智能化添砖加瓦的开发者。

九、作者与免责协议 (License)

开发作者：SandHit254 使用协议：仅限学术答辩、技术交流与代码研讨使用。严禁用于任何真实的商业医疗、临床诊断与处方生成场景。

About

智能门诊病历结构化分析系统：集成感知 (RapidOCR)、认知 (MacBERT-GlobalPointer-RoPE) 与持久化快照体系。支持 9 大类医疗实体抽取、嵌套消解与临床关系推断，实现非结构化病历到结构化健康档案 (EHR) 的端到端转化。

Topics

python named-entity-recognition ocr-recognition clinical-data macbert medical-nlp global-pointer

Resources

Readme

License

MIT license
Activity

Stars

0 stars

Watchers

0 watching

Forks

0 forks
Report repository

Releases

No releases published

Packages

 
 
 

Contributors

Languages