تتزايد الحاجة إلى استخراج المعلومات النصية من الوثائق الطبية الممسوحة ضوئيًا، مثل التقارير المختبرية الخارجية والنماذج التي يتم ملؤها يدويًا. لقد أحدثت التطورات الأخيرة في نماذج اللغة والرؤية (Vision Language Models) تقدمًا مثيرًا في هذا المجال، مما يجعل من الممكن تحسين كفاءة التعامل مع السجلات الصحية الإلكترونية (EHRs).

ومع ذلك، كانت الدراسات السابقة عن نماذج التعرف على النصوص (OCR) في السياقات السريرية تعتمد في الغالب على بيانات مؤسسية خاصة، وأغلبها لا تتوفر بشكل عام. وهذا ما يجعل مجموعة بيانات ClinOCR-Bench الجديدة نقطة تحول حقيقية. تضم هذه المجموعة 384 صورة ممسوحة ضوئيًا تغطي ست فئات متنوعة: الوثائق العادية، الكتابة اليدوية، الجودة الضعيفة، الدوران، الجداول، وخلائط العيوب.

تتمتع مجموعة ClinOCR-Bench بعدة خصائص مميزة، منها:
1. تنوع أنواع الوثائق وتخطيطات النصوص.
2. تغطية شاملة لعيوب المسح الشائعة التي تؤثر على أداء تقنية التعرف على النصوص.
3. خلوها من المعلومات الصحية المحمية (Protected Health Information).
4. تقسيم مدروس بين التدريب والاختبار مع مراعاة القوالب.
5. حجم عينة كافٍ لإجراء اختبارات معيارية فعالة لنماذج التعرف على النصوص.

قد أُجريت تقييمات الأداء باستخدام أحدث نماذج التعرف على النصوص المتاحة للجمهور، مما يضمن مصداقية النتائج. يمكن العثور على مجموعة البيانات والتوثيق المرتبط بها على GitHub (https://github.com/ClinOCR-Bench/ClinOCR-Bench).

تعد مجموعة بيانات ClinOCR-Bench خطوة نحو تحسين قدرة نماذج التعرف على النصوص في مجال الرعاية الصحية، مما يساهم في تحقيق نتائج دقيقة وفعّالة عند التعامل مع الوثائق الطبية الممسوحة ضوئيًا.