La reconnaissance des entités nommées médicales chinoises (CMNER) est une tâche fondamentale dans l'extraction d'informations médicales, essentielle pour la construction de graphes de connaissances cliniques et la prise de décision clinique intelligente. Cependant, les méthodes principales existantes, y compris l'amélioration par dictionnaire, les approches basées sur les spans et sur les grilles, rencontrent encore des difficultés face à l'absence naturelle de frontières dans les textes cliniques, aux structures imbriquées complexes des entités et aux dépendances contextuelles à longue distance. Pour relever ces défis, un modèle novateur de fusion à double flux et interaction dynamique par grille (D2GI) est proposé, intégrant des flux de caractéristiques complémentaires et une interaction en grille adaptative pour une exploration sémantique en profondeur, permettant de capturer avec précision les frontières complexes des entités et les relations entre caractères. Plus précisément, cette architecture à double flux utilise RoFormer pour extraire les dépendances à longue distance, combiné à Word2Vec fournissant une sémantique a priori stable, renforçant ainsi la capacité du modèle à représenter les termes médicaux rares. De plus, pour surmonter les limites du raffinage des caractéristiques statiques, le module d'interaction dynamique en grille utilise un mécanisme d'attention à porte pour fusionner de manière adaptative le contexte local et global, facilitant la reconnaissance précise des entités imbriquées. Plusieurs expériences sur trois ensembles de données publiques montrent que D2GI surpasse significativement les modèles de référence avancés, avec une augmentation des scores F1 de 1,48, 1,61 et 3,08 points sur CMeEE-V2, DiaKG et CCKS2020 respectivement.

fusion à double flux; interaction dynamique en grille; extraction sémantique médicale; extraction d'informations médicales