在医疗领域，从OCR（光学字符识别）生成的临床报告中高效提取半结构化信息，对于重建患者的纵向病史至关重要。然而，实际应用场景往往面临两个主要挑战：异构且不完全已知的键表示（字段标题），以及OCR引入的噪声。现有评估体系通常忽略这些因素，难以衡量模型在真实环境中的鲁棒性。
为此，研究人员提出了MedStruct-S基准，专门设计用于在未知键和OCR噪声条件下评估三个关键任务：字段标题（键）发现、键条件问答（QA）以及端到端键值对提取。该基准包含3,582页经过人工标注的真实临床报告页面，涵盖了多种报告类型和格式。
基于MedStruct-S，研究者评估了两种代表性范式：编码器-仅序列标注（配合后处理）和解码器-仅结构化生成。共涉及四种编码器-仅模型和五种解码器-仅模型，参数规模从0.11B到103B不等。实验结果显示，尽管编码器-仅模型的规模远小于解码器-仅模型，但在非空值键条件QA任务上，它们取得了最佳性能。当比较相似规模级别的模型时，编码器-仅模型整体表现更优。若不控制模型规模，微调后的解码器-仅模型则展现出最强的总体结果。
这些发现表明，MedStruct-S为不同半结构化信息提取设置下的模型选择和比较提供了可靠且实用的基础。该基准的发布将推动临床文本分析领域的研究，特别是在处理OCR噪声和未知键表示的挑战性场景中。未来工作可探索更复杂的模型架构和噪声鲁棒性技术。论文已被KSEM 2026接收，最终版本将在Springer LNCS/LNAI会议论文集中发表。