O Reconhecimento de Entidades Nomeadas Médicas em Chinês (CMNER) é uma tarefa fundamental na extração de informações médicas, crucial para a construção de grafos de conhecimento clínico e para a implementação de decisões clínicas inteligentes. No entanto, os métodos principais existentes, incluindo o reforço por dicionário, métodos baseados em spans e métodos de rotulagem baseados em grades, ainda enfrentam dificuldades para lidar com a ausência natural de limites em textos clínicos, estruturas complexas de entidades aninhadas e dependências contextuais de longo alcance. Para enfrentar esses desafios, propõe-se um novo modelo de fusão de fluxo duplo e interação dinâmica em grade (D2GI), que integra fluxos complementares de características e interação adaptativa em grade para mineração semântica profunda, capturando com precisão os limites complexos das entidades e as relações entre caracteres. Especificamente, a arquitetura de fusão de fluxo duplo utiliza o RoFormer para extrair dependências de longo alcance, combinando-o com o Word2Vec, que fornece semântica a priori estável, reforçando a capacidade do modelo de representar termos médicos raros. Além disso, para superar as limitações do refinamento estático de características, o módulo de interação dinâmica em grade adota um mecanismo de atenção com portão para fundir adaptativamente contextos locais e globais, promovendo o reconhecimento preciso de entidades aninhadas. Vários experimentos em três conjuntos de dados públicos mostram que o D2GI supera significativamente os modelos de base avançados, aumentando os valores F1 em 1,48, 1,61 e 3,08 pontos percentuais nos conjuntos CMeEE-V2, DiaKG e CCKS2020, respectivamente.

fusão de fluxo duplo; interação dinâmica em grade; mineração semântica médica; extração de informações médicas