生物医学 NLP 流程通常假设输入文本干净，但通过自动 PDF 解析构建的大规模语料库普遍存在 OCR 类噪声、字符拆分与合并、连字符残留以及字符级损坏，这些问题系统性削弱词汇证据并导致下游分类器性能下降。
我们提出一种保守且完全可审计的拼写纠正可靠层，将其视为安全导向的预处理模块，而非追求最大准确率的纠正器：在不确定的情况下，系统会选择不编辑，遵循医学“勿伤害”原则。该确定性架构结合了有界编辑距离的候选生成、基于语料库的 n-gram 打分以及一套生物医学安全门，用以保护领域关键术语。
在内部评估中，我们使用人工标注的 2,104 条 token 级别基准，层能够在合成错误上实现 94.61% 的错误修复召回率，并在负控制上保持零有害编辑。外部评估采用 CORD-19 三分类主题分类器（预防、治疗、流行病学），覆盖 10,000 条样本，遵循四轮协议（Clean、Noisy、Restored、Safety）。结果显示，层恢复了约 80.45% 的噪声导致的 macro‑F1 下降，将 macro‑F1 从 0.7654（Noisy）提升至 0.7717（Restored），且在 Safety 条件下保持接近干净的性能（0.7721）。
补充案例研究对 103 篇真实 OCR 抽取的摘要使用 BioBERT 进行分类，发现 Transformer 编码器对轻度噪声相对鲁棒，这启发我们未来构建一种灰盒架构，将有界神经信号与 UMLS 词典结合，仍保持可审计性。
系统完全确定性、基于文档特征设计，并兼顾部署与审计需求。
博主点评：该工作在保证安全的前提下显著提升了噪声文本的分类性能，值得在实际医学 NLP 系统中推广。