تُعدّ تقنية التعرف على الكيانات المسماة الطبية الصينية (CMNER) مهمة أساسية في استخراج المعلومات الطبية، وهي ضرورية لبناء خرائط المعرفة السريرية وغيرها من التطبيقات المتقدمة، بالإضافة إلى تحقيق اتخاذ القرار الطبي الذكي. ومع ذلك، فإن الطرق الشائعة الحالية، بما في ذلك التعزيز بالقواميس والوسوم المعتمدة على النطاقات والشبكات، تواجه صعوبة في التعامل مع نقص الحدود الطبيعية الموروثة في النصوص السريرية، والهياكل المعقدة للكيانات المتداخلة، والاعتمادات السياقية بعيدة المدى. لمواجهة هذه التحديات، تم اقتراح نموذج جديد للتكامل ذو المسارين والتفاعل الشبكي الديناميكي (D2GI) الذي يدمج تدفقات الميزات التكميلية وتفاعل الشبكات التكيفية لاستخراج المعاني العميقة بشكل دقيق، مما يتيح التقاط حدود الكيانات المعقدة والعلاقات بين الأحرف. تتمثل التفاصيل في أن بنية التكامل ذو المسارين تستخدم RoFormer لاستخراج الاعتمادات بعيدة المدى، مع دمج Word2Vec لتوفير دلالات أولوية مستقرة من أجل تعزيز قدرة النموذج على تمثيل المصطلحات الطبية النادرة. بالإضافة إلى ذلك، لتجاوز قيود صقل الميزات الثابتة، يعتمد مكون التفاعل الشبكي الديناميكي على آلية انتباه مع بوابة لدمج السياق المحلي والعالمي بشكل تفاعلي، مما يعزز التعرف الدقيق على الكيانات المتداخلة. أظهرت عدة تجارب على ثلاث مجموعات بيانات عامة أن D2GI يتفوق بشكل ملحوظ على النماذج الأساسية المتقدمة، حيث ارتفعت قيم F1 بمقدار 1.48 و1.61 و3.08 نقطة في مجموعات بيانات CMeEE-V2 وDiaKG وCCKS2020 على التوالي.

التكامل ذو المسارين; التفاعل الشبكي الديناميكي; استخراج الدلالة الطبية; استخراج المعلومات الطبية