編輯導(dǎo)語：隨著互聯(lián)網(wǎng)和技術(shù)的不斷發(fā)展，醫(yī)療行業(yè)向智慧化轉(zhuǎn)變，開展更多線上平臺，能夠提供更加高效的服務(wù)；但是如今醫(yī)療知識圖譜還未完全完善，普遍存在一些問題；本文作者分享了關(guān)于醫(yī)學(xué)知識圖譜構(gòu)建的全面解析，我們一起來看一下。

醫(yī)學(xué)知識圖譜是實現(xiàn)智慧醫(yī)療的基石，有望帶來更高效精準的醫(yī)療服務(wù)；然而，現(xiàn)有知識圖譜構(gòu)建技術(shù)在醫(yī)學(xué)領(lǐng)域中普遍存在效率低、限制多、拓展性差等問題。

針對醫(yī)療數(shù)據(jù)跨語種、專業(yè)性強、結(jié)構(gòu)復(fù)雜等特點，此處重點對構(gòu)建醫(yī)學(xué)知識圖譜的關(guān)鍵技術(shù)進行了自底向上的全面解析，涵蓋了醫(yī)學(xué)知識表示、知識抽取、知識融合和知識推理以及知識質(zhì)量評估五部分內(nèi)容。

一、知識建模

即建立知識圖譜的數(shù)據(jù)模式，行業(yè)知識圖譜的數(shù)據(jù)模式對整個知識圖譜的結(jié)構(gòu)進行定義，因此需要保證可靠性。

1. 常用方法

基于行業(yè)現(xiàn)有的標準進行轉(zhuǎn)換。

從現(xiàn)有的高質(zhì)量行業(yè)數(shù)據(jù)源（如業(yè)務(wù)系統(tǒng)數(shù)據(jù)庫表）中進行映射。

2. 使用知識圖譜對數(shù)據(jù)進行抽象建模

以實體為主體目標，實現(xiàn)對不同來源的數(shù)據(jù)進行映射與合并。（實體抽取與合并）

利用屬性來表示不同數(shù)據(jù)源中針對實體的描述，形成對實體的全方位描述。（屬性映射與?歸并）

利用關(guān)系來描述各類抽象建模成實體的數(shù)據(jù)之間的關(guān)聯(lián)關(guān)系，從而支持關(guān)聯(lián)分析。（關(guān)系?抽?。?/p>

通過實體鏈接技術(shù)，實現(xiàn)圍繞實體的多種類型數(shù)據(jù)的關(guān)聯(lián)存儲。（實體鏈接）

使用事件機制描述客觀世界中動態(tài)發(fā)展，體現(xiàn)事件與實體間的關(guān)聯(lián)；并利用時序描述事件?的發(fā)展?fàn)顩r。（動態(tài)事件描述）

3. 建模工具Protégé

• 本體編輯器。
• 基于RDF(S)，OWL等語義網(wǎng)規(guī)范。
• 圖形化界面。
• 提供了在線版本——WebProtégé。
• 適用于原型構(gòu)建場景。

二、知識獲取

從不同來源、不同結(jié)構(gòu)的數(shù)據(jù)中進行知識提取，形成知識存入到知識圖譜。

1. 獲取結(jié)構(gòu)化數(shù)據(jù)的D2R工具

D2RQ：將關(guān)系數(shù)據(jù)庫轉(zhuǎn)換為虛擬的RDF數(shù)據(jù)庫的平臺，主要包括：

• D2R Server：HTTP Server，提供對?RDF數(shù)據(jù)的查詢訪問接口，以供上層的?RDF 瀏覽器、SPARQL 查詢客戶端以及傳統(tǒng)的?HTML 瀏覽器調(diào)用；
• D2RQ Engine：利用一個可定制的?D2RQ Mapping 文件將關(guān)系型數(shù)據(jù)庫中的數(shù)據(jù)換成?RDF 格式；
• D2RQ Mapping Language：定義將關(guān)系型數(shù)據(jù)轉(zhuǎn)換成?RDF 格式的?Mapping 規(guī)則。

2. 半結(jié)構(gòu)化行業(yè)數(shù)據(jù)源解析

針對不同結(jié)構(gòu)的數(shù)據(jù)配置相應(yīng)的包裝器。

包裝器配置工具：

• 輸入源設(shè)置；
• 預(yù)處理配置；
• 抽取目標配置；
• 抽取過程配置；
• 結(jié)果后處理；

例如：

3. 文本信息抽取

主要有實體識別、概念抽取、關(guān)系抽取、事件抽取。

其中CloseIE面向特定領(lǐng)域抽取信息、預(yù)先定義好抽取的關(guān)系類型、基于領(lǐng)域?qū)I(yè)知識抽取、規(guī)模小且精度比較高；OpenIE面向開放領(lǐng)域抽取信息、關(guān)系類型事先未知、基于語言學(xué)模式進行抽取、規(guī)模大且精度相對較低。

1）OpenIE的典型代表工具有 ReVerb、TextRunner

通常用于做第一輪的信息抽取探索，從它的結(jié)果中發(fā)現(xiàn)新的關(guān)系， 然后在此基礎(chǔ)上應(yīng)用其它的信息抽取方法。

2）CloseIE 典型工具：DeepDive

DeepDive主要針對關(guān)系抽取，在指定的關(guān)系抽取中效果比較理?想，在實體確定后可以很好地進行關(guān)系抽?。晃刺峁ｉT的針對概念、實體和事件抽取的支持；支持中文關(guān)系抽取，僅需要引入中文相關(guān)的基礎(chǔ)處理工具即可；需要大量的標注語料支持，通過人工設(shè)置標注規(guī)則。

三、知識融合

1. 數(shù)據(jù)模式層融合

行業(yè)知識圖譜的數(shù)據(jù)模式層通常是由專家人工構(gòu)建或從可靠的結(jié)構(gòu)化數(shù)據(jù)中映射得到的，通常在映射時會通過設(shè)置融合的規(guī)則來確保數(shù)據(jù)的統(tǒng)一。

• 概念合并；
• 概念上下位關(guān)系合并；
• 概念的屬性定義合并；

2. 數(shù)據(jù)層融合

1）實體合并

在構(gòu)建行業(yè)知識圖譜時，實體優(yōu)先從結(jié)構(gòu)化的數(shù)據(jù)在獲取；對于結(jié)構(gòu)化的數(shù)據(jù)，通常有對實體進行唯一標識的主鍵，因此在進行知識抽取時即可設(shè)定實體合并的依據(jù)。

從非結(jié)構(gòu)化數(shù)據(jù)中抽取的實體，同樣使用設(shè)置合并條件的規(guī)則來完成實體的合并；例如，企業(yè)合并是可以通過企業(yè)名稱直接合并，企業(yè)高管合并是人名相同＋同一企業(yè)?（企業(yè)高管中同名的概念極低）。

2）實體屬性融合

具有時態(tài)特性的屬性（如）：使用新的數(shù)據(jù)覆蓋老的數(shù)據(jù)；依據(jù)數(shù)據(jù)源的可靠性進行選?。航Y(jié)構(gòu)化數(shù)據(jù)源中的質(zhì)量通常較高。

3）沖突檢測與解決

四、自然語言處理

美國著名的計算機科學(xué)家賈里尼克領(lǐng)導(dǎo)他的實驗室，借助數(shù)學(xué)中的統(tǒng)計學(xué)工具，把當(dāng)時語言識別的成功率從70%提升到90%；同時讓語言識別的規(guī)模，從幾千個單詞上升到幾萬個單詞，讓語言識別有了實際應(yīng)用的可能。

統(tǒng)計學(xué)和自然語言好像沒什么關(guān)系，它怎么處理自然語言呢？

其實賈里尼克的思路很簡單，他認為，要判斷一個句子正不正確，就要看這個句子出現(xiàn)的可能性的大小，這個可能性用概率來衡量；比如，我們假定第一個句子出現(xiàn)的概率是二分之一，第二個句子出現(xiàn)的概率是千分之一，那第一個句子出現(xiàn)的可能性就比第二個句子大得多；那么從概率的角度來說，第一個句子就更有可能是正確的。

所以接下來我們需要做的事，就是判斷一個句子出現(xiàn)的可能性有多大；這時就需要用到“馬爾科夫假設(shè)”，這個假設(shè)是說，假定一個句子里每個詞出現(xiàn)的概率，只和前一個詞有關(guān)，就好比“漲?！边@個詞，最有可能出現(xiàn)在“股票”這個詞之后。

那么，只要給計算機量足夠大的機讀文本，也就是專業(yè)人士說的語料庫，計算機就能算出來，在一個特定詞后面出現(xiàn)某個詞的概率；這樣，只要把一句話里所有詞出現(xiàn)的概率相乘，就是這個句子出現(xiàn)的概率；概率最大的句子，就是最有可能正確的句子。

按照這個思路，科學(xué)家們成功地讓計算機擁有了處理自然語言的能力。

1. 詞性

句子的基本成分是：主語、謂語、賓語；補充成分是定語、狀語、補語。

2. 句法

句子劃分口訣：

• 句子成分要劃對；
• 縱觀全局找主謂；
• 主前定狀謂后補；
• 謂前只有狀地位；
• “的”定“地”狀“得”后補；
• 賓語只受謂支配。

五、知識存儲

知識圖譜是基于圖的數(shù)據(jù)結(jié)構(gòu)，其存儲方式主要有兩種方式： RDF存儲和圖數(shù)據(jù)庫（Graph Database），常見的圖數(shù)據(jù)存儲—Graph DBMS。

1. 基礎(chǔ)存儲

可按數(shù)據(jù)場景選擇使用關(guān)系數(shù)據(jù)庫、NoSQL數(shù)據(jù)庫及內(nèi)存數(shù)據(jù)庫。

2. 數(shù)據(jù)分割

基本類型：整數(shù)表、浮點數(shù)表、日期類型表…

集合類型：List型表、Range型表、Map型表…

3. 緩存與索引

使用分布式?Redis 作為緩存，按需對數(shù)據(jù)進行緩存。對三元組表按需進行索引，最多情況下可建立九重索引。

4. 善于使用現(xiàn)在成熟存儲

使用?ElasticSearch 實現(xiàn)數(shù)據(jù)的全文檢索?l 結(jié)構(gòu)固定型的數(shù)據(jù)可使用關(guān)系數(shù)據(jù)庫或NoSQL。

對于非關(guān)系型的數(shù)據(jù)盡量不入圖存儲，避免形成大節(jié)點；非關(guān)系型的數(shù)據(jù)，使用適合的數(shù)據(jù)存儲機器進行存儲，通過實體鏈?接的方式實現(xiàn)與圖譜數(shù)據(jù)的關(guān)聯(lián)。

六、知識計算

1. 圖挖掘計算

基于圖論的相關(guān)算法，實現(xiàn)對圖譜的探索和挖掘。

集成實現(xiàn)基本圖算法：

• 圖遍歷：廣度優(yōu)先遍歷、深度優(yōu)先遍歷；
• 最短路徑查詢：?Dijkstra（迪杰斯特拉算法）、Floyd（弗洛伊德算法）；
• 路徑探尋：給定兩個或多個節(jié)點，發(fā)現(xiàn)它們之間的關(guān)聯(lián)關(guān)系；
• 權(quán)威節(jié)點分析：PageRank算法；
• 族群發(fā)現(xiàn)：最大流算法；
• 相似節(jié)點發(fā)現(xiàn)：基于節(jié)點屬性、關(guān)系的相似度算法；

2. 本體推理

使用本體推理進行新知識發(fā)現(xiàn)或沖突檢測。

w?本體知識推理工具——RDFox。

本體推理基本方法：

• 基于表運算及改進的方法：FaCT++、Racer、 Pellet Hermit等；
• 基于一階查詢重寫的方法（Ontology based data access，基于本體的數(shù)據(jù)訪問）；
• 基于產(chǎn)生式規(guī)則的算法（如rete）：Jena 、Sesame、OWLIM等；
• 基于Datalog轉(zhuǎn)換的方法如KAON、RDFox等；
• 回答集程序 Answer set programming。

3. 基于規(guī)則的推理

使用規(guī)則引擎，編寫相應(yīng)的業(yè)務(wù)規(guī)則，通過推理輔助業(yè)務(wù)決策。

基于規(guī)則推理工具——Drools規(guī)則定義。

七、上層應(yīng)用的開發(fā)

等我們構(gòu)建好知識圖譜之后，接下來就要使用它來解決具體的問題；例如對于風(fēng)控知識圖譜來說，首要任務(wù)就是挖掘關(guān)系網(wǎng)絡(luò)中隱藏的欺詐風(fēng)險。

從算法的角度來講，有兩種不同的場景：一種是基于規(guī)則的；另一種是基于概率的。鑒于目前AI技術(shù)的現(xiàn)狀，基于規(guī)則的方法論還是在垂直領(lǐng)域的應(yīng)用中占據(jù)主導(dǎo)地位；但隨著數(shù)據(jù)量的增加以及方法論的提升，基于概率的模型也將會逐步帶來更大的價值。

1. 基于規(guī)則的方法論

首先，我們來看幾個基于規(guī)則的應(yīng)用，分別是不一致性驗證、基于規(guī)則的特征提取、基于模式的判斷。

1）不一致性驗證

為了判斷關(guān)系網(wǎng)絡(luò)中存在的風(fēng)險，一種簡單的方法就是做不一致性驗證，也就是通過一些規(guī)則去找出潛在的矛盾點。

這些規(guī)則是以人為的方式提前定義好的，所以在設(shè)計規(guī)則這個事情上需要一些業(yè)務(wù)的知識；比如在下面的這個圖中，李明和李飛兩個人都注明了同樣的公司電話，但實際上從數(shù)據(jù)庫中判斷這倆人其實在不同的公司上班，這就是一個矛盾點；類似的規(guī)則其實可以有很多，不在這里一一列出。

2）基于規(guī)則提取特征

我們也可以基于規(guī)則從知識圖譜中提取一些特征，而且這些特征一般基于深度的搜索比如2度、3度甚至更高維度；比如我們可以問一個這樣的問題：“申請人二度關(guān)系里有多少個實體觸碰了黑名單？”，從圖中我們很容觀察到二度關(guān)系中有兩個實體觸碰了黑名單（黑名單由紅色來標記），等這些特征被提取之后，一般可以作為風(fēng)險模型的輸入。

在此還是想說明一點，如果特征并不涉及深度的關(guān)系，其實傳統(tǒng)的關(guān)系型數(shù)據(jù)庫則足以滿足需求。

3）基于模式的判斷

這種方法比較適用于找出團體欺詐，它的核心在于通過一些模式來找到有可能存在風(fēng)險的團體或者子圖（sub-graph），然后對這部分子圖做進一步的分析。

這種模式有很多種，在這里舉幾個簡單的例子；比如在下圖中，三個實體共享了很多其他的信息，我們可以看做是一個團體，并對其做進一步的分析。

再比如，我們也可以從知識圖譜中找出強連通圖，并把它標記出來，然后做進一步風(fēng)險分析；強連通圖意味著每一個節(jié)點都可以通過某種路徑達到其他的點，也就說明這些節(jié)點之間有很強的關(guān)系。

2. 基于概率的方法

除了基于規(guī)則的方法，也可以使用概率統(tǒng)計的方法。比如社區(qū)挖掘、標簽傳播、聚類等技術(shù)都屬于這個范疇；對于這類技術(shù)，在本文里不做詳細的講解，感興趣的讀者可以參考相關(guān)文獻。

社區(qū)挖掘算法的目的在于從圖中找出一些社區(qū)，對于社區(qū)，我們可以有多種定義，但直觀上可以理解為社區(qū)內(nèi)節(jié)點之間關(guān)系的密度要明顯大于社區(qū)之間的關(guān)系密度；下面的圖表示社區(qū)發(fā)現(xiàn)之后的結(jié)果，圖中總共標記了三個不同的社區(qū)；一旦我們得到這些社區(qū)之后，就可以做進一步的風(fēng)險分析。

由于社區(qū)挖掘是基于概率的方法論，好處在于不需要人為地去定義規(guī)則，特別是對于一個龐大的關(guān)系網(wǎng)絡(luò)來說，定義規(guī)則這事情本身是一件很復(fù)雜的事情。

標簽傳播算法的核心思想在于節(jié)點之間信息的傳遞，這就類似于，跟優(yōu)秀的人在一起自己也會逐漸地變優(yōu)秀是一個道理；因為通過這種關(guān)系會不斷地吸取高質(zhì)量的信息，最后使得自己也會不知不覺中變得更加優(yōu)秀（具體細節(jié)不在這里做更多解釋）。

相比規(guī)則的方法論，基于概率的方法的缺點在于：需要足夠多的數(shù)據(jù)。如果數(shù)據(jù)量很少，而且整個圖譜比較稀疏（Sparse），基于規(guī)則的方法可以成為我們的首選；尤其是對于金融領(lǐng)域來說，數(shù)據(jù)標簽會比較少，這也是為什么基于規(guī)則的方法論還是更普遍地應(yīng)用在金融領(lǐng)域中的主要原因。

1）基于動態(tài)網(wǎng)絡(luò)的分析

以上所有的分析都是基于靜態(tài)的關(guān)系圖譜——所謂的靜態(tài)關(guān)系圖譜，意味著我們不考慮圖譜結(jié)構(gòu)本身隨時間的變化，只是聚焦在當(dāng)前知識圖譜結(jié)構(gòu)上；然而，我們也知道圖譜的結(jié)構(gòu)是隨時間變化的，而且這些變化本身也可以跟風(fēng)險有所關(guān)聯(lián)。

在下面的圖中，我們給出了一個知識圖譜T時刻和T+1時刻的結(jié)構(gòu)，我們很容易看出在這兩個時刻中間，圖譜結(jié)構(gòu)（或者部分結(jié)構(gòu)）發(fā)生了很明顯的變化，這其實暗示著潛在的風(fēng)險（判斷這些結(jié)構(gòu)上的變化可以查閱跟“dynamic network mining”相關(guān)的文獻）。

八、知識應(yīng)用

1. 語義全文檢索

基于知識圖譜中的知識，解決傳統(tǒng)搜索中遇到的關(guān)鍵字語義多樣?性及語義消歧的難題，通過實體鏈接實現(xiàn)知識與文檔的混合檢索。

針對醫(yī)院臨床電子病歷數(shù)據(jù)大量積累無法快速、高效地服務(wù)于臨床醫(yī)療、醫(yī)學(xué)科研、以及病例管理的現(xiàn)象，提出研究更高效的電子病歷檢索方法；采用全文索引搜索引擎技術(shù)，以關(guān)鍵字、關(guān)鍵詞為索引，把電子病歷統(tǒng)一轉(zhuǎn)換成結(jié)構(gòu)化數(shù)據(jù)，最后生成病歷檢索索引文件，進而建立電子病歷全文檢索系統(tǒng)。

2. 智能問答

醫(yī)院的醫(yī)生每天病人接待量是固定，而前來就診的人流量往往很大，這就造成供需失衡。

對待這種情況，利用機器人可以很好的幫我們分擔(dān)一部分壓力。

利用醫(yī)院大量的、精確的、病例數(shù)據(jù)，我們用這些數(shù)據(jù)進行模型訓(xùn)練，可以做到在線、實時和就診的人進行語言互動，給就診的人提供精確的診斷參考。

3. 輔助診療/決策

為醫(yī)生臨床治療提供決策依據(jù)，有助于確保醫(yī)療質(zhì)量。

系統(tǒng)通過比較醫(yī)療行為中與醫(yī)學(xué)指引不同的地方，提醒醫(yī)生防止?jié)撛诘腻e誤，如藥物不良反應(yīng)等；從而降低醫(yī)療事故率。還可以提供同類治愈病例的用藥推薦，給醫(yī)生提出診療建議；可以使醫(yī)生從耗時過長的簡單咨詢工作中解脫出來，從而提高治療效率。

4. 知識訂閱

如實習(xí)醫(yī)生，在工作中遇到某些疑難雜癥，該醫(yī)生想要了解這些疑難雜癥的最新的臨床醫(yī)療信息，那么該醫(yī)生只需要根據(jù)這些疑難雜癥的關(guān)鍵詞訂閱與該類有關(guān)的醫(yī)療信息，即可在第一時間獲取其訂閱的最新的醫(yī)療信息；該醫(yī)生通過這些信息不斷學(xué)習(xí)，從而有助于提高其工作能力。

5. 智能導(dǎo)診等

6. 落地方案

使用快速迭代法，通過維度、作用域、邊界快速分解業(yè)務(wù)模型：

• 通過不同維度、不同視角，抽象出共性的業(yè)務(wù)模型；
• 只抽取作用域內(nèi)有效數(shù)據(jù)，提高數(shù)據(jù)價值；
• 確定好業(yè)務(wù)邊界，才能更好很快實現(xiàn)落地；

本文由 @CTO老王 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)許可，禁止轉(zhuǎn)載

題圖來自Unsplash，基于CC0協(xié)議