Распознавание китайских медицинских именованных сущностей (CMNER) является базовой задачей в извлечении медицинской информации, критически важной для построения клинических графов знаний и реализации интеллектуальных клинических решений. Однако существующие основные методы, включая обогащение словарём, методы маркировки на основе промежутков и сетевые методы, всё ещё испытывают трудности с природным отсутствием границ в клинических текстах, сложной вложенной структурой сущностей и зависимостями на дальнем расстоянии. Для решения этих проблем предлагается новая модель двойного потока с динамическим сетевым взаимодействием (D2GI), которая путем интеграции взаимодополняющихся потоков признаков и адаптивного сетевого взаимодействия осуществляет глубокое семантическое извлечение, точно захватывая сложные границы сущностей и отношения между символами. Конкретно, архитектура двойного потока использует RoFormer для извлечения дальних зависимостей, сочетая его с Word2Vec для предоставления устойчивой априорной семантики, что усиливает способность модели представлять редкие медицинские термины. Кроме того, чтобы преодолеть ограничения статической детализации признаков, модуль динамического сетевого взаимодействия применяет механизм с контролируемым вниманием для адаптивного объединения локального и глобального контекста, способствуя точному распознаванию вложенных сущностей. Многочисленные эксперименты на трёх общедоступных наборах данных показывают, что D2GI значительно превосходит передовые базовые модели, повышая значение F1 на 1,48, 1,61 и 3,08 процентных пункта на данных CMeEE-V2, DiaKG и CCKS2020 соответственно.

двойной поток; динамическое сетевое взаимодействие; медицинская семантическая добыча; извлечение медицинской информации