知识图谱在医学中的应用

知识图谱在医学中的应用Theapplicationofknowledgegraphinmedicine谭军教授2023/9/11什么是知识图谱？谷歌为增强自身搜索引擎功能，于2012年首次提出知识图谱(KnowledgeGraph)概念。知识图谱从三个方面增强谷歌的搜索：FindtherightthingGetthebestsummaryGodeeperandbroader搜索核心需求：让搜索通往答案

•无法理解搜索关键词

•无法精准回答

根本问题缺乏大规模背景知识传统知识表示难以满足需求知识图谱本质上是一种揭示实体之间关系的语义网络(semanticnetwork)，可以对现实世界的事物及其相互关系进行形式化地描述。语义网络表达了各种各样的实体、概念及其之间的各类语义关联。什么是知识图谱？知识图谱的基本组成元素，包括实体、概念、属性、关系，以及它们所代表的含义和相互之间的关系，使得机器理解与解释成为可能。什么是知识图谱？实体或概念就是图上的一个个节点；属性-值是节点的内在特征；关系是节点和节点之间的关联，图上表现为两个节点之间的连线。什么是知识图谱？从AI的视角来看，知识图谱是一种理解人类语言的知识库；从数据库视角来看，知识图谱是一种新型的知识存储结构；从知识表示视角来看，知识图谱是计算机理解知识的一种方法；从web视角来看，知识图谱是知识数据之间的一种语义互联。知识图谱最大的优势是在于对数据的描述能力非常强大；知识图谱是最接近真实世界的数据组织结构，符合人的思维模式，可以为人工智能应用提供基础环境。

知识图谱的分类知识图谱通用知识图谱领域知识图谱各类领域知识图谱人类的知识架构通用与领域知识图谱的关系领域知识图谱通用知识图谱知识表示广度窄宽深度深浅粒度细粗知识获取质量要求苛刻高专家参与重度轻度自动化程度低高知识应用推理链条长短应用复杂性复杂简单通用知识图谱与领域知识图谱的关系知识图谱技术金字塔

知识图谱备受关注的原因赵军.知识图谱.高等教育出版社知识图谱是人工智能应用不可或缺的基础资源语义表达能力丰富，能够支持很多知识服务应用任务描述形式统一，便于不同类型知识的集成与融合表示方法对人类友好，给以众包等方式编辑和构建知识提供了便利二元关系为基础的描述形式，便于知识的自动获取表示方法对计算机友好，支持高效推理基于图结构的数据格式，便于计算机系统存储与检索知识图谱的价值明晰知识结构分析研究内容揭示知识关系促进内容管理探究知识历史建立知识分类进行客观评价检索知识信息预测研究方向发现理解交流知识图谱的应用广泛知识图谱在医学领域的应用

医学大领域的图谱构建特定临床科室知识图谱构建（脊柱外科知识图谱）单病种知识图谱构建（专病知识图谱）在医学领域，随着区域卫生信息化及医疗信息系统的发展，积累了海量的医学数据，如何从这些数据中提炼信息并加以管理、共享及应用，是推进医学智能化的关键问题，是医学知识检索、临床诊断、医疗质量管理、电子病历及健康档案智能化处理的基础。医学知识图谱数据来源

数据源电子病历临床指南医学领域词表书籍专家共识文献医学知识图谱图例

中文医学知识图谱的构建

参考权威的国际医学标准术语集以及规模庞大、多源异构的临床路径指南、临床实践、医学百科等资源，覆盖了疾病、药物和诊疗技术，包括100余万个医学概念关系的实例。腰椎间盘突出症图谱展示构建流程中文信息学报,2019,33(10):1-9中医药知识图谱构建

在中医药学语言系统基础上补充相关的识识资源，形成以“语义网络”为骨架的大型知识图谱；将分散于各种数据库、文献库中的知识资源汇集起来；面向中医药工作者和大众提供权威、准确、全面的中医药知识。中医药知识地图演示界面中医药知识图谱示意图ArtificialIntelligenceinMedicine77(2017)48–52医学百科知识图谱–面向重大疾病

医学百科知识图谱构建流程针对半结构化的医学百科数据，需通过命名实体识别、实体关系抽取等技术进行结构化处理，形成对应的知识三元组，然后利用相关软件和工具将其转换为另一种可视化、直观的表示形式，即知识图谱。中华医学图书情报杂志,2018,27(6):28-34特定临床科室知识图谱的构建–妇产科

妇产科知识图谱示例选用《妇产科学第七版》作为处理教材。利用自然语言处理技术，对妇产科教材中的医学知识进行抽取和表示，将妇产科知识存储成结构化的知识图谱，方便专业医学人士查询，也方便对大众进行科普。中国数字医学,2019,14(1):3-5产科知识图谱的构建

李凯翔.产科知识图谱的构建与研究[D].河南:郑州大学,2018产科知识图谱概念分类关系图产科知识图谱概念分类层次图以MeSH医学主题词表和产科专业知识为依据，在领域专家的指导下构造了产科概念分类体系，定义了疾病的知识描述体系和产科概念实体间可能存在的关系类别，形成了对产科专业知识的描述规范。专病知识图谱–面向基层医生

利用现有词表、本体和知识库资源，采用知识融合的方法可以实现专病知识图谱的构建，但此场景主要是面向普通大众或者基层医生进行医学科普。知识体系的构建层级关系的构建同义关系的构建概念间非层级关系构建中华医学图书情报杂志,2019,28(5):1-5专病知识图谱–支持临床决策

川崎病知识图谱集成了川崎病相关的多种知识资源，包括临床指南、临床试验、医学文献、药物知识库、药物不良反应知识库以及临床医学概念术语集等医学本体知识库；可有效地将综合知识转换为结构化的知识；采用知识库方法，通过语义查询语，即可快速精准地获得对应的知识，为临床决策支持提供结构化的数据。川崎病知识图谱知识资源及其集成中国数字医学,2018,13(9):28-31临床诊疗思维与科研追踪

临床症状与体征检查与化验诊断治疗证据文献搜索证据分析最新研究热点研究主题研究团队追踪医学知识图谱在专科应用的价值

医学知识科普：可视化、直观、动态临床决策支持：问诊、诊断、治疗文献证据深度检索与分析：高质量、RCT、创新性追踪研究热点和相关研究团队：热点主题、文章、专利、基金确定研究方向，促进学科建设：科研需求、科研指导以糖尿病为例–简述专病知识图谱的构建临床决策需要知识图谱糖尿病知识图谱构建流程

知识表示知识抽取知识融合知识推理质量评估通过从大量的结构化或非结构化的糖尿病相关数据中提取出实体、关系、属性等知识图谱的组成元素，选择合理高效的方式存入知识库。知识融合对医学知识库内容进行消歧和链接，增强知识库内部的逻辑性和表达能力，并通过人工或自动的方式为糖尿病知识图谱更新旧知识或补充新知识;借助知识推理，推断出缺失事实，自动完成疾病诊断与治疗;质量评估则是保障数据的重要手段，提高医学知识图谱的可信度和准确度。糖尿病知识图谱构建所需技术手段

知识表示：采用三元组（triple）形式标示，以便于计算机的处理和理解知识抽取：

1.实体抽取

基于医学词典及规则的方法

基于医学数据源和数学模型的机器学习方法

深度学习方法

2.实体关系

同类型医学实体层级关系抽取

不同类型医学实体关系抽取

3.属性抽取

常见的抽取方法包括从开放链接数据提取、从结构化数据库提取、从百科类站点提取、从垂直网站进行包装器归纳以及利用模式匹配从查询