중국어 의학 명명된 개체 인식(CMNER)은 의학 정보 추출에서 기본적인 과제로서, 임상 지식 그래프 구축 및 지능형 임상 의사결정 구현에 매우 중요합니다. 그러나 사전 강화, 범위 기반 및 그리드 기반 태깅 방법을 포함한 기존 주류 방법들은 임상 텍스트에 내재된 자연 경계의 부재, 복잡한 중첩 개체 구조 및 장거리 문맥 의존성을 해결하는 데 어려움을 겪고 있습니다. 이러한 문제를 해결하기 위해 상호 보완적 특징 흐름과 적응형 그리드 상호작용을 통합하여 깊은 의미론적 탐색을 수행하는 참신한 이중 흐름 융합 및 동적 그리드 상호작용(D2GI) 모델을 제안합니다. 구체적으로, 이중 흐름 융합 아키텍처는 RoFormer를 이용해 장거리 의존성을 추출하고 Word2Vec과 결합하여 안정적인 사전 의미를 제공함으로써 희귀 의학 용어에 대한 모델의 표현 능력을 향상시킵니다. 또한, 정적 특징 세분화의 한계를 극복하기 위해 동적 그리드 상호작용 모듈은 게이트 어텐션 메커니즘을 활용하여 국소 및 전역 문맥을 적응적으로 융합하며 중첩 개체의 정확한 인식을 촉진합니다. 세 개의 공개 데이터셋에서 다수의 실험 결과 D2GI가 최첨단 기본 모델들을 크게 능가하며 CMeEE-V2, DiaKG 및 CCKS2020에서 F1 점수를 각각 1.48, 1.61 및 3.08 포인트 향상시켰음을 보여줍니다.

이중 흐름 융합; 동적 그리드 상호작용; 의학 의미 추출; 의학 정보 추출