Die chinesische medizinische benannte Entity-Erkennung (CMNER) ist eine grundlegende Aufgabe bei der medizinischen Informationsgewinnung und entscheidend für den Aufbau klinischer Wissensgraphen und die Umsetzung intelligenter klinischer Entscheidungsfindung. Die derzeit gängigen Methoden, darunter Wörterbuchanreicherung, span-basierte und rasterbasierte Kennzeichnungsmethoden, haben jedoch Schwierigkeiten, den natürlichen Mangel an Grenzen in klinischen Texten, komplexe verschachtelte Entitätsstrukturen und langfristige kontextuelle Abhängigkeiten zu bewältigen. Um diese Herausforderungen zu bewältigen, wird ein neuartiges Dual-Stream-Fusions- und dynamisches Rasterinteraktionsmodell (D2GI) vorgeschlagen, das komplementäre Merkmalsströme und adaptive Rasterinteraktion integriert, um eine tiefe semantische Exploration zu ermöglichen und komplexe Entitätsgrenzen sowie Zeichenbeziehungen genau zu erfassen. Konkret nutzt die Dual-Stream-Fusionsarchitektur RoFormer zur Extraktion von Langzeitabhängigkeiten und kombiniert dies mit Word2Vec, das stabile priori semantische Informationen liefert, wodurch die Fähigkeit des Modells zur Darstellung seltener medizinischer Begriffe verbessert wird. Darüber hinaus verwendet das dynamische Rasterinteraktionsmodul einen gesteuerten Aufmerksamkeitsmechanismus, um lokale und globale Kontexte adaptiv zu fusionieren und so eine genaue Erkennung verschachtelter Entitäten zu fördern. Mehrere Experimente auf drei öffentlichen Datensätzen zeigen, dass D2GI die fortschrittlichen Basismodelle deutlich übertrifft und die F1-Werte auf CMeEE-V2, DiaKG und CCKS2020 um jeweils 1,48, 1,61 und 3,08 Prozentpunkte verbessert.

Dual-Stream-Fusion; dynamische Rasterinteraktion; medizinische semantische Extraktion; medizinische Informationsgewinnung