El Reconocimiento de Entidades Nombradas Médicas Chinas (CMNER) es una tarea fundamental en la extracción de información médica, crucial para la construcción de grafos de conocimiento clínico y la toma de decisiones clínicas inteligentes. Sin embargo, los métodos principales existentes, incluyendo el enriquecimiento con diccionarios, las anotaciones basadas en rangos y en cuadrículas, aún enfrentan dificultades para lidiar con la ausencia natural de límites en los textos clínicos, estructuras complejas de entidades anidadas y dependencias contextuales a largo plazo. Para abordar estos desafíos, se propone un nuevo modelo de fusión de doble flujo e interacción dinámica en cuadrícula (D2GI), que integra flujos complementarios de características e interacción adaptativa en cuadrícula para una minería semántica profunda, capturando con precisión los límites complejos de las entidades y las relaciones entre caracteres. En concreto, esta arquitectura de doble flujo utiliza RoFormer para extraer dependencias a largo plazo, combinándolo con Word2Vec que proporciona semántica previa estable, mejorando la capacidad del modelo para representar términos médicos raros. Además, para superar las limitaciones del refinamiento de características estáticas, el módulo de interacción dinámica en cuadrícula utiliza un mecanismo de atención con compuerta para fusionar adaptativamente el contexto local y global, facilitando el reconocimiento preciso de entidades anidadas. Diversos experimentos en tres conjuntos de datos públicos demuestran que D2GI supera significativamente a los modelos de referencia avanzados, aumentando los valores de F1 en 1.48, 1.61 y 3.08 puntos porcentuales en CMeEE-V2, DiaKG y CCKS2020, respectivamente.

fusión de doble flujo; interacción dinámica en cuadrícula; minería semántica médica; extracción de información médica