《医疗 OCR 识别 API 怎么选报告单 / 发票 / 检测单》医疗票据 OCR 识别 API 多场景落地指南医保结算 商保理赔 医疗信息化附 Python/Java 完整示例导语每天上万张医疗票据如何做到秒级处理2026年全国各级医疗机构年均产生的医疗票据数以亿计。一张住院发票传统人工录入需要5-10分钟错漏率超过2%。更麻烦的是患者理赔流程从提交材料到最终赔付平均耗时长达28个工作日其中60%的时间消耗在人工核对环节。医疗票据OCR技术正是破解这些难题的核心突破口。它与通用OCR有着本质区别——通用OCR将票据识别为一段散乱文本而医疗票据OCR需要完成的是字段提取 表格解析 结构化输出 业务规则适配。本文从医保结算、商保理赔、医疗信息化三大落地场景出发结合实际案例与 Python/Java 多语言代码示例为你提供一套完整的落地指南。新手入门提示如果你对OCR的基础概念还不熟悉建议先阅读我们之前发布的《医疗 OCR 识别 API 怎么选报告单 / 发票 / 检测单》一、医保结算场景从人工核对到智能审核1.1 业务痛点医保零星报销场景中经办机构需要处理海量手工报销票据。传统人工审核面临三大挑战材料类型庞杂涉及身份凭证、医疗收费票据、诊断证明、检验检查报告等近百类非结构化材料版式差异极大全国有超过3万家医疗机构每家门诊发票、住院结算单的设计千差万别审核效率低下单张票据录入需5-10分钟复杂案件审核周期长达5-7个工作日。1.2 实施路径医保结算场景的OCR落地通常采用以下流程① 票据图像采集与预处理倾斜矫正、去噪、印章过滤② 版式识别与字段定位③ 关键信息提取发票编号、就诊人、医保类型、费用明细④ 与医保目录自动比对药品/诊疗项目的医保编码匹配⑤ 报销金额自动计算与审核。1.3 真实效果某市医保中心引入OCR智能审核系统后单日处理量从3万份提升至12万份审核周期缩短80%以上。更直观的数据来自颍州区试点截至2026年3月OCR智能应用受理零星报销6718份结算率达87.66%因材料不清、项目误扣导致的退单率从原来的1.9%降至0.7%群众平均跑腿次数从2.5次减少到1次以内。1.4 API 调用示例Python Java以下演示如何使用医疗票据OCR API完成一张住院发票的结构化识别识别结果输出为可直接入库的JSON格式。【Python示例】# # 免费在线体验https://market.shiliuai.com/tools/medical-report-ocr # API文档完整开发文档和代码示例https://market.shiliuai.com/doc/doc-extract # 支持免费在线体验 # API文档清晰提供多种接入语言示例如python、js、C#、java、php等以及自动化脚本语言如天诺、懒人精灵、按键精灵、易语言、EasyClick、触动精灵等 # # -*- coding: utf-8 -*- import requests import base64 import json # 请求接口 URL https://ocr-api.shiliuai.com/api/doc_extract/v1 # 图片/pdf文件转base64 def get_base64(file_path): with open(file_path, rb) as f: data f.read() return base64.b64encode(data).decode(utf8) def demo(appcode, file_path): # 请求头 headers { Authorization: APPCODE %s % appcode, Content-Type: application/json } # 请求体 b64 get_base64(file_path) data { file_base64: b64, prompt: } # 请求 response requests.post(urlURL, headersheaders, jsondata) content json.loads(response.content) print(content) if __name__ __main__: appcode 你的APPCODE file_path 本地文件路径 demo(appcode, file_path)【Java示例】// // 免费在线体验https://market.shiliuai.com/tools/medical-report-ocr // API文档完整开发文档和代码示例https://market.shiliuai.com/doc/doc-extract // 支持免费在线体验 // API文档清晰提供多种接入语言示例如python、js、C#、java、php等以及自动化脚本语言如天诺、懒人精灵、按键精灵、易语言、EasyClick、触动精灵等 // import com.alibaba.fastjson2.JSON; import com.alibaba.fastjson2.JSONObject; import org.apache.http.HttpResponse; import org.apache.http.client.methods.HttpPost; import org.apache.http.entity.StringEntity; import org.apache.http.impl.client.CloseableHttpClient; import org.apache.http.impl.client.HttpClients; import org.apache.http.util.EntityUtils; import org.apache.commons.io.FileUtils; import java.io.File; import java.io.IOException; import java.util.HashMap; import java.util.Map; import java.util.Base64; public class Main { public static String get_base64(String path) { String b64 ; try { byte[] content FileUtils.readFileToByteArray(new File(path)); b64 Base64.getEncoder().encodeToString(content); } catch (IOException e) { e.printStackTrace(); } return b64; } public static void main(String[] args) { String url https://ocr-api.shiliuai.com/api/doc_extract/v1;// 请求接口 String appcode 你的APPCODE; String file_path 本地文件路径; Map headers new HashMap(); headers.put(Authorization, APPCODE appcode); headers.put(Content-Type, application/json); JSONObject requestObj new JSONObject(); requestObj.put(file_base64, get_base64(file_path)); requestObj.put(prompt, ); String bodys requestObj.toString(); try (CloseableHttpClient httpClient HttpClients.createDefault()) { HttpPost httpPost new HttpPost(url); for (Map.Entry entry : headers.entrySet()) { httpPost.addHeader(entry.getKey(), entry.getValue()); } StringEntity entity new StringEntity(bodys, UTF-8); httpPost.setEntity(entity); HttpResponse response httpClient.execute(httpPost); int stat response.getStatusLine().getStatusCode(); if (stat ! 200) { System.out.println(Http code: stat); return; } String res EntityUtils.toString(response.getEntity()); JSONObject res_obj JSON.parseObject(res); System.out.println(res_obj.toJSONString()); } catch (Exception e) { e.printStackTrace(); } } }API文档完整开发文档和代码示例https://market.shiliuai.com/doc/doc-extract免费体验入口以上代码基于公司医疗票据OCR API实现。如果你希望先测试效果可以前往石榴智能的医疗票据识别在线工具无需代码即可免费上传单据进行结构化抽取测试。二、商保理赔场景从5天到2小时2.1 业务痛点商业健康险理赔的痛点不仅在于信息提取本身更在于信息提取后的规则匹配与系统对接版式不统一来自不同医疗机构的门诊发票、住院结算单、费用清单格式各异人工每单录入需5-10分钟30页单据平均耗时2.5小时错误率高达12%规则匹配复杂各地医保政策差异大、药品/诊疗目录更新频繁、商保条款个性化强人工匹配极易出错系统对接难商保核心系统、TPA审核平台、医保结算系统数据格式不统一缺乏标准化对接协议。2.2 实施路径商保理赔场景的OCR落地核心在于构建“信息抽取 规则匹配 系统对接”三位一体的解决方案① 多格式票据混合识别纸质/电子发票、诊断证明等② ICD编码自动匹配疾病诊断与诊疗项目合理性校验③ 医保目录比对药品/诊疗项目的甲乙类、自付比例④ 商保条款匹配赔付比例、免赔额、免责项目⑤ 理赔金额自动核定生成结构化理赔单据。2.3 真实效果某健康险保险公司接入医疗票据OCR系统后小额案件5000元处理时效从72小时压缩至2小时单张票据处理时间压缩至秒级较传统OCR提升4倍以上。在理赔规则匹配层面快瞳等专业服务商已内置3000万医学实体知识数据覆盖国家-省-市三级医保目录匹配率可达99%。2.4 实施建议对于计划引入医疗票据OCR的商保机构建议按以下路径分阶段实施阶段一基础型接入API实现费用明细自动提取代替纯人工录入阶段二集成型将OCR与理赔系统深度集成实现信息自动提取 目录匹配 金额核算的全链路自动化阶段三智能化基于OCR累积的结构化数据构建风控模型实现欺诈检测与异常预警。三、医疗信息化场景从数据孤岛到互联互通3.1 业务痛点医疗信息化建设虽已推进多年但数据的结构化程度和数据流通效率仍是制约医院运营效率的瓶颈非结构化数据占比高电子病历系统中病史描述、医嘱等自由文本缺乏标准化格式非结构化数据占比超过75%医生查找特定病史信息平均需翻阅12页病历耗时约8分钟系统间数据互通率低HIS、LIS、PACS等院内系统数据互通率不足40%数据利用效率低大量纸质材料需要人工扫码、翻拍、录入后才能进入数字系统。3.2 实施路径医疗信息化场景的OCR落地目标是打通非结构化票据数据与结构化医疗系统的“最后一公里”① 院内多源票据接入门诊/住院发票、结算单、检验报告② 标准化结构化输出转为HIS/EMR可直接消费的JSON格式③ 自助服务终端集成患者持单自助办理、费用查询④ 数据治理与统计分析费用趋势、诊疗项目使用率、药品占比等。3.3 价值体现某省级医院部署医疗票据OCR系统后财务部门效率提升65%人力成本节约40%。门诊导诊机器人集成OCR技术后可自动识别患者提供的纸质材料并引导至对应科室导诊准确率提升至92%。在更宏观的维度上医疗票据OCR与电子病历系统EMR深度集成后可实现自动填充患者费用信息至诊疗记录生成结构化费用报表支持DICOM标准输出异常费用自动预警如单日检查费超限即时提醒。四、技术挑战与应对方案医疗票据OCR比通用OCR面临更严峻的挑战主要体现在以下几个方面4.1 印章遮挡红色印章覆盖关键文字是最常见且最严重的问题之一。解决思路是通过HSV颜色空间分离印章区域再采用图像修复算法还原被覆盖文字。4.2 版面复杂医疗票据常采用多栏表格、手写补充等复杂排版常规版面分割算法准确率不足60%。解决方法是通过深度学习模型DBNetCRNNTransformer实现多版式自适应识别动态匹配票据类型。4.3 语义理解缺失同义词转换如“自付一”与“个人账户支付”需要医疗领域知识图谱支撑。结合NLP技术通过医疗知识图谱进行术语归一化和关联映射可实现标准化输出。五、如何选择医疗票据OCR API在选择医疗票据OCR API时建议从以下三个维度进行评估维度一版式自适应能力——能否自动识别不同类型的票据门诊发票、住院结算单、检验报告等并根据版式动态抽取关键信息而非依赖预设模板匹配。维度二结构化抽取深度——是否输出“字段 表格 清单”的多层次结构化数据。检查报告需提取“检查所见”和“诊断结论”检验报告需按“项目/结果/单位/参考值”逐行对齐表格收费票据需逐条拆分费用明细行并计算合计金额——入库前就能直接使用的才是真结构化。维度三业务规则适配——是否内置医保目录匹配、ICD编码映射、知识图谱校验等能力。这直接决定了识别结果能否直接用于报销计算和理赔审核。六、多语言接入参考石榴智能医疗票据OCR API支持免费在线体验API文档清晰提供多种接入语言示例如python、js、C#、java、php等以及自动化脚本语言如天诺、懒人精灵、按键精灵、易语言、EasyClick、触动精灵等可在接入文档中查看完整代码语言适用场景Python数据分析、批量处理、自动化脚本Java企业级后端系统集成JavaScript / Node.jsWeb前端调用、ServerlessPHP网站后端、云服务集成C#.NET框架应用系统医疗票据OCR API接入文档包含完整的接口说明与各语言示例代码七、免费在线体验如果你希望在实际对接API之前先了解公司医疗票据OCR的实际效果可以免费使用公司医疗票据识别在线工具。无需编写任何代码上传票据图片即可即时查看结构化识别结果支持门诊发票、住院结算单、费用清单、检验报告等多种票据类型的体验测试。总结医疗票据OCR识别正在从“辅助工具”进化为“核心生产力”。无论是医保局将审核周期从数天压缩至数小时还是商保公司将理赔时效从5天缩短至2小时抑或是医院将财务人力成本削减40%背后都印证同一个事实当数据提取、规则匹配、系统对接形成闭环时医疗单据处理的效率天花板会被彻底打破。如果你正在规划相关业务场景的数字化转型建议先通过免费在线工具测试票据识别效果再根据实际需求对接API进行系统集成。系列推荐《医疗票据OCR识别API实战从医保结算单到结构化数据提取》可从技术原理角度深入理解识别流程《发票识别OCR API接入详解》和《OCR识别不准确怎么办》分别从基础功能和优化技巧角度提供了有价值的参考。欢迎点击账号主页查看完整系列内容。标签#医疗票据OCR #OCRAPI #医保结算 #商保理赔 #医疗信息化 #PythonOCR #JavaOCR
医疗票据 OCR 识别 API 多场景落地指南：医保结算 + 商保理赔 + 医疗信息化（附 Python/Java 完整示例）
发布时间：2026/5/23 3:13:18
《医疗 OCR 识别 API 怎么选报告单 / 发票 / 检测单》医疗票据 OCR 识别 API 多场景落地指南医保结算 商保理赔 医疗信息化附 Python/Java 完整示例导语每天上万张医疗票据如何做到秒级处理2026年全国各级医疗机构年均产生的医疗票据数以亿计。一张住院发票传统人工录入需要5-10分钟错漏率超过2%。更麻烦的是患者理赔流程从提交材料到最终赔付平均耗时长达28个工作日其中60%的时间消耗在人工核对环节。医疗票据OCR技术正是破解这些难题的核心突破口。它与通用OCR有着本质区别——通用OCR将票据识别为一段散乱文本而医疗票据OCR需要完成的是字段提取 表格解析 结构化输出 业务规则适配。本文从医保结算、商保理赔、医疗信息化三大落地场景出发结合实际案例与 Python/Java 多语言代码示例为你提供一套完整的落地指南。新手入门提示如果你对OCR的基础概念还不熟悉建议先阅读我们之前发布的《医疗 OCR 识别 API 怎么选报告单 / 发票 / 检测单》一、医保结算场景从人工核对到智能审核1.1 业务痛点医保零星报销场景中经办机构需要处理海量手工报销票据。传统人工审核面临三大挑战材料类型庞杂涉及身份凭证、医疗收费票据、诊断证明、检验检查报告等近百类非结构化材料版式差异极大全国有超过3万家医疗机构每家门诊发票、住院结算单的设计千差万别审核效率低下单张票据录入需5-10分钟复杂案件审核周期长达5-7个工作日。1.2 实施路径医保结算场景的OCR落地通常采用以下流程① 票据图像采集与预处理倾斜矫正、去噪、印章过滤② 版式识别与字段定位③ 关键信息提取发票编号、就诊人、医保类型、费用明细④ 与医保目录自动比对药品/诊疗项目的医保编码匹配⑤ 报销金额自动计算与审核。1.3 真实效果某市医保中心引入OCR智能审核系统后单日处理量从3万份提升至12万份审核周期缩短80%以上。更直观的数据来自颍州区试点截至2026年3月OCR智能应用受理零星报销6718份结算率达87.66%因材料不清、项目误扣导致的退单率从原来的1.9%降至0.7%群众平均跑腿次数从2.5次减少到1次以内。1.4 API 调用示例Python Java以下演示如何使用医疗票据OCR API完成一张住院发票的结构化识别识别结果输出为可直接入库的JSON格式。【Python示例】# # 免费在线体验https://market.shiliuai.com/tools/medical-report-ocr # API文档完整开发文档和代码示例https://market.shiliuai.com/doc/doc-extract # 支持免费在线体验 # API文档清晰提供多种接入语言示例如python、js、C#、java、php等以及自动化脚本语言如天诺、懒人精灵、按键精灵、易语言、EasyClick、触动精灵等 # # -*- coding: utf-8 -*- import requests import base64 import json # 请求接口 URL https://ocr-api.shiliuai.com/api/doc_extract/v1 # 图片/pdf文件转base64 def get_base64(file_path): with open(file_path, rb) as f: data f.read() return base64.b64encode(data).decode(utf8) def demo(appcode, file_path): # 请求头 headers { Authorization: APPCODE %s % appcode, Content-Type: application/json } # 请求体 b64 get_base64(file_path) data { file_base64: b64, prompt: } # 请求 response requests.post(urlURL, headersheaders, jsondata) content json.loads(response.content) print(content) if __name__ __main__: appcode 你的APPCODE file_path 本地文件路径 demo(appcode, file_path)【Java示例】// // 免费在线体验https://market.shiliuai.com/tools/medical-report-ocr // API文档完整开发文档和代码示例https://market.shiliuai.com/doc/doc-extract // 支持免费在线体验 // API文档清晰提供多种接入语言示例如python、js、C#、java、php等以及自动化脚本语言如天诺、懒人精灵、按键精灵、易语言、EasyClick、触动精灵等 // import com.alibaba.fastjson2.JSON; import com.alibaba.fastjson2.JSONObject; import org.apache.http.HttpResponse; import org.apache.http.client.methods.HttpPost; import org.apache.http.entity.StringEntity; import org.apache.http.impl.client.CloseableHttpClient; import org.apache.http.impl.client.HttpClients; import org.apache.http.util.EntityUtils; import org.apache.commons.io.FileUtils; import java.io.File; import java.io.IOException; import java.util.HashMap; import java.util.Map; import java.util.Base64; public class Main { public static String get_base64(String path) { String b64 ; try { byte[] content FileUtils.readFileToByteArray(new File(path)); b64 Base64.getEncoder().encodeToString(content); } catch (IOException e) { e.printStackTrace(); } return b64; } public static void main(String[] args) { String url https://ocr-api.shiliuai.com/api/doc_extract/v1;// 请求接口 String appcode 你的APPCODE; String file_path 本地文件路径; Map headers new HashMap(); headers.put(Authorization, APPCODE appcode); headers.put(Content-Type, application/json); JSONObject requestObj new JSONObject(); requestObj.put(file_base64, get_base64(file_path)); requestObj.put(prompt, ); String bodys requestObj.toString(); try (CloseableHttpClient httpClient HttpClients.createDefault()) { HttpPost httpPost new HttpPost(url); for (Map.Entry entry : headers.entrySet()) { httpPost.addHeader(entry.getKey(), entry.getValue()); } StringEntity entity new StringEntity(bodys, UTF-8); httpPost.setEntity(entity); HttpResponse response httpClient.execute(httpPost); int stat response.getStatusLine().getStatusCode(); if (stat ! 200) { System.out.println(Http code: stat); return; } String res EntityUtils.toString(response.getEntity()); JSONObject res_obj JSON.parseObject(res); System.out.println(res_obj.toJSONString()); } catch (Exception e) { e.printStackTrace(); } } }API文档完整开发文档和代码示例https://market.shiliuai.com/doc/doc-extract免费体验入口以上代码基于公司医疗票据OCR API实现。如果你希望先测试效果可以前往石榴智能的医疗票据识别在线工具无需代码即可免费上传单据进行结构化抽取测试。二、商保理赔场景从5天到2小时2.1 业务痛点商业健康险理赔的痛点不仅在于信息提取本身更在于信息提取后的规则匹配与系统对接版式不统一来自不同医疗机构的门诊发票、住院结算单、费用清单格式各异人工每单录入需5-10分钟30页单据平均耗时2.5小时错误率高达12%规则匹配复杂各地医保政策差异大、药品/诊疗目录更新频繁、商保条款个性化强人工匹配极易出错系统对接难商保核心系统、TPA审核平台、医保结算系统数据格式不统一缺乏标准化对接协议。2.2 实施路径商保理赔场景的OCR落地核心在于构建“信息抽取 规则匹配 系统对接”三位一体的解决方案① 多格式票据混合识别纸质/电子发票、诊断证明等② ICD编码自动匹配疾病诊断与诊疗项目合理性校验③ 医保目录比对药品/诊疗项目的甲乙类、自付比例④ 商保条款匹配赔付比例、免赔额、免责项目⑤ 理赔金额自动核定生成结构化理赔单据。2.3 真实效果某健康险保险公司接入医疗票据OCR系统后小额案件5000元处理时效从72小时压缩至2小时单张票据处理时间压缩至秒级较传统OCR提升4倍以上。在理赔规则匹配层面快瞳等专业服务商已内置3000万医学实体知识数据覆盖国家-省-市三级医保目录匹配率可达99%。2.4 实施建议对于计划引入医疗票据OCR的商保机构建议按以下路径分阶段实施阶段一基础型接入API实现费用明细自动提取代替纯人工录入阶段二集成型将OCR与理赔系统深度集成实现信息自动提取 目录匹配 金额核算的全链路自动化阶段三智能化基于OCR累积的结构化数据构建风控模型实现欺诈检测与异常预警。三、医疗信息化场景从数据孤岛到互联互通3.1 业务痛点医疗信息化建设虽已推进多年但数据的结构化程度和数据流通效率仍是制约医院运营效率的瓶颈非结构化数据占比高电子病历系统中病史描述、医嘱等自由文本缺乏标准化格式非结构化数据占比超过75%医生查找特定病史信息平均需翻阅12页病历耗时约8分钟系统间数据互通率低HIS、LIS、PACS等院内系统数据互通率不足40%数据利用效率低大量纸质材料需要人工扫码、翻拍、录入后才能进入数字系统。3.2 实施路径医疗信息化场景的OCR落地目标是打通非结构化票据数据与结构化医疗系统的“最后一公里”① 院内多源票据接入门诊/住院发票、结算单、检验报告② 标准化结构化输出转为HIS/EMR可直接消费的JSON格式③ 自助服务终端集成患者持单自助办理、费用查询④ 数据治理与统计分析费用趋势、诊疗项目使用率、药品占比等。3.3 价值体现某省级医院部署医疗票据OCR系统后财务部门效率提升65%人力成本节约40%。门诊导诊机器人集成OCR技术后可自动识别患者提供的纸质材料并引导至对应科室导诊准确率提升至92%。在更宏观的维度上医疗票据OCR与电子病历系统EMR深度集成后可实现自动填充患者费用信息至诊疗记录生成结构化费用报表支持DICOM标准输出异常费用自动预警如单日检查费超限即时提醒。四、技术挑战与应对方案医疗票据OCR比通用OCR面临更严峻的挑战主要体现在以下几个方面4.1 印章遮挡红色印章覆盖关键文字是最常见且最严重的问题之一。解决思路是通过HSV颜色空间分离印章区域再采用图像修复算法还原被覆盖文字。4.2 版面复杂医疗票据常采用多栏表格、手写补充等复杂排版常规版面分割算法准确率不足60%。解决方法是通过深度学习模型DBNetCRNNTransformer实现多版式自适应识别动态匹配票据类型。4.3 语义理解缺失同义词转换如“自付一”与“个人账户支付”需要医疗领域知识图谱支撑。结合NLP技术通过医疗知识图谱进行术语归一化和关联映射可实现标准化输出。五、如何选择医疗票据OCR API在选择医疗票据OCR API时建议从以下三个维度进行评估维度一版式自适应能力——能否自动识别不同类型的票据门诊发票、住院结算单、检验报告等并根据版式动态抽取关键信息而非依赖预设模板匹配。维度二结构化抽取深度——是否输出“字段 表格 清单”的多层次结构化数据。检查报告需提取“检查所见”和“诊断结论”检验报告需按“项目/结果/单位/参考值”逐行对齐表格收费票据需逐条拆分费用明细行并计算合计金额——入库前就能直接使用的才是真结构化。维度三业务规则适配——是否内置医保目录匹配、ICD编码映射、知识图谱校验等能力。这直接决定了识别结果能否直接用于报销计算和理赔审核。六、多语言接入参考石榴智能医疗票据OCR API支持免费在线体验API文档清晰提供多种接入语言示例如python、js、C#、java、php等以及自动化脚本语言如天诺、懒人精灵、按键精灵、易语言、EasyClick、触动精灵等可在接入文档中查看完整代码语言适用场景Python数据分析、批量处理、自动化脚本Java企业级后端系统集成JavaScript / Node.jsWeb前端调用、ServerlessPHP网站后端、云服务集成C#.NET框架应用系统医疗票据OCR API接入文档包含完整的接口说明与各语言示例代码七、免费在线体验如果你希望在实际对接API之前先了解公司医疗票据OCR的实际效果可以免费使用公司医疗票据识别在线工具。无需编写任何代码上传票据图片即可即时查看结构化识别结果支持门诊发票、住院结算单、费用清单、检验报告等多种票据类型的体验测试。总结医疗票据OCR识别正在从“辅助工具”进化为“核心生产力”。无论是医保局将审核周期从数天压缩至数小时还是商保公司将理赔时效从5天缩短至2小时抑或是医院将财务人力成本削减40%背后都印证同一个事实当数据提取、规则匹配、系统对接形成闭环时医疗单据处理的效率天花板会被彻底打破。如果你正在规划相关业务场景的数字化转型建议先通过免费在线工具测试票据识别效果再根据实际需求对接API进行系统集成。系列推荐《医疗票据OCR识别API实战从医保结算单到结构化数据提取》可从技术原理角度深入理解识别流程《发票识别OCR API接入详解》和《OCR识别不准确怎么办》分别从基础功能和优化技巧角度提供了有价值的参考。欢迎点击账号主页查看完整系列内容。标签#医疗票据OCR #OCRAPI #医保结算 #商保理赔 #医疗信息化 #PythonOCR #JavaOCR
