Расшифровка врачебного почерка
Если у вас или у учреждения, запрашивающего перевод, есть дополнительные требования к оформлению, сообщите — учтем. Показать полностью 6. По контексту сеть безошибочно поймет, что имеется в виду, и выдаст при распознавании верный вариант.
Публичный договор. Наши лаборатории Лаборатория общеклинических исследований Лаборатория патоморфологии Лаборатория клинической иммунологии и аллергологии Лаборатория микробиологии Лаборатория цитогенетики Лаборатория молекулярно-генетического анализа Лаборатория онкогематологии. Новости Значимые события компании и новые предложения.
Карьера у нас Как стать частью нашей команды. Политика качества Качественная лабораторная диагностика - залог эффективного лечения. Лицензии и сертификаты Гарантия точности и достоверности результатов.
Исследования и цены Перечень услуг лаборатории. Комплексные исследования Пакеты анализов для оценки состояния органов и систем организма. Вызов медсестры на дом. Наши отделения. Правила подготовки Как получить точный результат.
Наши партнеры. Получить результат. Часто Задаваемые Вопросы и Ответы. Обеспечение качества Бескомпромиссная точность и достоверность результатов.
События компании Активный профессиональный диалог. Инновации Новые предложения для эффективного решения клинических задач. Лабораторный справочник Профессиональная информация об исследованиях. Отправить заявку на сотрудничество Оставьте заявку и наши менеджеры с вами свяжутся!
Диалог с профессионалом. Скачать шаблон бланка направления. Партнерство с нами. Обновите ваш браузер для повышения уровня безопасности, скорости и комфорта использования этого сайта.
Обновить браузер. Ученые также разработали приложение, работающее без интернета и защищенное от утечки личных данных. В современном мире для быстрой обработки текста часто необходимо иметь его цифровой вариант.
Существуют приложения, переводящие печатный текст с листа в компьютер. Однако с написанным от руки дело обстоит сложнее. Даже человек иногда не может разобрать чей-то почерк.
Особенно сложно бывает расшифровать написанное врачами, и у этого, кстати, есть логичное объяснение. К примеру, во многих документах, используемых в документообороте компаний, или паспортах до сих пор встречаются поля с рукописным текстом — адрес прописки, личные данные, даты в договоре на какие-либо услуги.
И распознаются они заметно хуже печатной или рукопечатной информации. Для тех же банков, которые ежедневно обрабатывают тысячи паспортов и различных документов, наличие такой функции поможет заметно ускорить многие процессы и в целом улучшить качество обслуживания клиентов.
Курсив удалось «взломать» благодаря смене модели распознавания: перейдя от посимвольного распознавания текста к пониманию контекста вокруг символа. Иными словами, рукописный текст распознается на уровне отдельных слов, их небольших групп или фрагментов.
Кстати, изначально такое End-to-end распознавание появилось в наших технологиях для распознавания печатного текста для некоторых непростых языков например, арабского.
Сложность обучения модели для распознавания рукописного текста заключалась в требовании большого количества данных, поскольку вариантов рукописного написания — широкое разнообразие — сотни тысяч текстовых фрагментов в слова.
Также требуется больше времени на разметку корпуса текстов или наличие готовых датасетов с лицензией, разрешающей коммерческое использование. Еще один важный нюанс — для достижения хорошего результата распознавание и языковая модель должны быть плотно интегрированы, поскольку во многих случаях выбор между вариантами результата распознавания может быть определен только из языкового контекста. С начала текущего года команда Content AI плотно занялась разработкой технологии по распознаванию русского рукописного текста.
Изначально мы решили протестировать ту же архитектуру нейросети, которая уже успешно применялась для распознавания английского рукописного. Результат получился приемлемым для использования в ряде сценариев, но все-таки содержал немалое количество ошибок, поэтому технология особо бы не ускорила работу пользователя по сравнению с ручным вводом данных. Тогда решено было перейти на более современную архитектуру, заодно сменив фреймворк NeoML на PyTorch.
И с таким подходом нам удалось добиться существенно лучших результатов.
В нашей технологии используется архитектура типа энкодер-декодер. В качестве энкодера — Visual Transformer, в качестве декодера — хитрая система, работающая как ансамбль трансформеров, которые шарят веса друг друга. Модель обучалась на разных типах документов, в которых есть специальные поля для заполнения информации от руки: документы, удостоверяющие личность, платежные поручения, накладные, путевые листы, европротоколы при ДТП и пр.
Кроме того, модель обучена числам, датам, суммам, адресам, именам собственным, знает знаки препинания и сокращения.
Технология в целом построена на распознавании небольших фрагментов текста, длиной до 30 символов. Сначала сеть семантической сегментации находит в документе фрагменты рукописного текста и линки между ними. Затем каждый фрагмент поступает на вход обученной нами нейросети для распознавания.
На выходе выдается таблица вероятностей, в которой указано, с какой вероятностью в конкретном месте находится именно этот распознанный символ. Далее эта таблица обрабатывается теми же алгоритмами, что используются при распознавании печатного текста, и выдается финальный вариант распознанного текста. Если технология не уверена в распознавании каких-то символов, то на выходе подсветит их красным цветом, чтобы пользователь смог указать корректный вариант.
