醫(yī)學(xué)知識(shí)圖譜應(yīng)用新領(lǐng)域展望

摘要：作為智慧醫(yī)療的基石，醫(yī)學(xué)知識(shí)圖譜研究受到廣泛關(guān)注，已經(jīng)開發(fā)出疾病診斷、臨床決策、智能問答等典型的應(yīng)用場(chǎng)景。隨著技術(shù)發(fā)展和研究深入，醫(yī)學(xué)知識(shí)圖譜的應(yīng)用拓展到更多領(lǐng)域。本文對(duì)近年來(lái)醫(yī)學(xué)知識(shí)圖譜在個(gè)性化醫(yī)療、醫(yī)療保險(xiǎn)控制、公共衛(wèi)生事件管理、科研發(fā)現(xiàn)、醫(yī)學(xué)健康教育等方面的應(yīng)用進(jìn)行綜述，總結(jié)其新的發(fā)展趨勢(shì)，為后續(xù)研究者提供參考。

關(guān)鍵詞：醫(yī)學(xué)知識(shí)圖譜;個(gè)性化醫(yī)療;醫(yī)療保險(xiǎn);公共衛(wèi)生事件管理;科研發(fā)現(xiàn);醫(yī)學(xué)健康教育

中圖分類號(hào)：R285" " " " " " " " " " " " " " " " " "文獻(xiàn)標(biāo)識(shí)碼：A" " " " " " " " " " " " " " " " "DOI：10.3969/j.issn.1006-1959.2024.19.040

文章編號(hào)：1006-1959（2024）19-0182-07

Prospect of New Application Fields of Medical Knowledge Graph

LI Changbiao1，DUAN Yongheng2，LI Bei1

（1.College of Life Science，Central South University，Changsha 410013，Hunan，China;

2.Scientific Research Department，Shenzhen Health Development Research and Data Management Center，

Shenzhen 518000，Guangdong，China）

Abstract：As the cornerstone of smart healthcare， medical knowledge graph research has received widespread attention， and typical application scenarios such as disease diagnosis， clinical decision-making， and intelligent Qamp;A have been developed. With technological advancement and in-depth research， its applications expand to more fields. In this paper， we review the applications of medical knowledge graphs in personalized medicine， health insurance control， public health event management， scientific research and discovery， and medical health education in recent years， and summarize its new development trend， which can provide reference for subsequent researchers.

Key words：Medical knowledge graph;Personalized medicine;Health insurance;Public health event management;Scientific discovery;Medical health education

隨著醫(yī)療信息化高速發(fā)展，醫(yī)療數(shù)據(jù)的類型和規(guī)模正以前所未有的速度快速增長(zhǎng)，醫(yī)療行業(yè)真正進(jìn)入大數(shù)據(jù)人工智能時(shí)代。2017年國(guó)務(wù)院發(fā)布《新一代人工智能發(fā)展規(guī)劃》[1]提出，要發(fā)展智能醫(yī)療，推廣應(yīng)用人工智能治療的新模式、新手段，建立快速精準(zhǔn)的智能醫(yī)療體系。而醫(yī)療知識(shí)圖譜正是實(shí)現(xiàn)智慧醫(yī)療的基石，其能夠幫助建立融合臨床醫(yī)學(xué)與生命組學(xué)的語(yǔ)義關(guān)聯(lián)，快速而高效地發(fā)現(xiàn)疾病和病因甚至新的最佳治療方案，有望帶來(lái)更高效精準(zhǔn)的醫(yī)療服務(wù)。中國(guó)科學(xué)院大學(xué)發(fā)布的《中國(guó)新經(jīng)濟(jì)發(fā)展報(bào)告2020》[2]中也提到，要以國(guó)內(nèi)頂級(jí)醫(yī)療機(jī)構(gòu)的臨床治療經(jīng)驗(yàn)為基礎(chǔ)，建設(shè)醫(yī)學(xué)知識(shí)圖譜（庫(kù)），并開展標(biāo)準(zhǔn)化應(yīng)用，以此實(shí)現(xiàn)不同學(xué)科、不同專業(yè)和不同地域之間臨床數(shù)據(jù)的統(tǒng)一標(biāo)引、存儲(chǔ)、檢索和聚合，這對(duì)于我國(guó)規(guī)范臨床術(shù)語(yǔ)，優(yōu)化診療流程，提升醫(yī)療質(zhì)量、臨床醫(yī)生工作效率和科研水平，及減少醫(yī)療差錯(cuò)等具有重要意義。醫(yī)學(xué)知識(shí)圖譜不僅能夠有效地對(duì)多源異構(gòu)的醫(yī)學(xué)數(shù)據(jù)進(jìn)行組織，并且能以結(jié)構(gòu)化的數(shù)據(jù)形式促進(jìn)醫(yī)學(xué)知識(shí)關(guān)聯(lián)、醫(yī)學(xué)知識(shí)發(fā)掘及醫(yī)學(xué)領(lǐng)域的知識(shí)服務(wù)，如智能搜索[3]、輔助醫(yī)療決策[4]、就醫(yī)導(dǎo)診[5]、智能問答[6]等。在關(guān)注醫(yī)學(xué)知識(shí)圖譜構(gòu)建技術(shù)的發(fā)展之外，隨著醫(yī)學(xué)研究領(lǐng)域的延伸及人工智能技術(shù)的加持，除了上述幾種傳統(tǒng)場(chǎng)景，研究人員也逐漸思考領(lǐng)域型知識(shí)圖譜在專業(yè)范圍下的深度應(yīng)用，如將基因組學(xué)數(shù)據(jù)納入知識(shí)圖譜[7]及新藥發(fā)現(xiàn)[8]等。本研究著重梳理較新領(lǐng)域的醫(yī)學(xué)知識(shí)圖譜的應(yīng)用，如個(gè)性化醫(yī)療、醫(yī)療保險(xiǎn)控制、公共衛(wèi)生事件管理、科研發(fā)現(xiàn)、醫(yī)學(xué)健康教育等，將新技術(shù)進(jìn)行融合使醫(yī)學(xué)知識(shí)圖譜拓展至更多可能的應(yīng)用場(chǎng)景。

1知識(shí)圖譜概述

1.1知識(shí)圖譜概念" 知識(shí)圖譜（knowledge graph）是結(jié)構(gòu)化的語(yǔ)義知識(shí)庫(kù)，用于以符號(hào)形式描述物理世界中的概念及其相互關(guān)系。其基本組成單位是“實(shí)體-關(guān)系-實(shí)體”三元組，以及實(shí)體及其相關(guān)屬性——值對(duì)，實(shí)體間通過關(guān)系相互聯(lián)結(jié)，構(gòu)成網(wǎng)狀的知識(shí)結(jié)構(gòu)。知識(shí)圖譜可以高效整合海量數(shù)據(jù)的有效信息，為實(shí)現(xiàn)語(yǔ)義智能化搜索以及知識(shí)互聯(lián)打下基礎(chǔ)，已經(jīng)在醫(yī)療、金融、農(nóng)業(yè)等領(lǐng)域得到快速發(fā)展與廣泛應(yīng)用。

1.2知識(shí)圖譜分類" 知識(shí)圖譜可分為通用知識(shí)圖譜與垂直領(lǐng)域知識(shí)圖譜。通用知識(shí)圖譜不面向特定領(lǐng)域，可將其看作是“結(jié)構(gòu)化的百科知識(shí)”，這類知識(shí)圖譜包含了大量常識(shí)性知識(shí)，強(qiáng)調(diào)知識(shí)的廣度。常見的通用知識(shí)圖譜有WikiData、DBPedia、Google Knowledge Graph、YAGO、Concept Graph、Freebase、OwnThink等。領(lǐng)域知識(shí)圖譜則面向的是特定的領(lǐng)域，其基于行業(yè)數(shù)據(jù)構(gòu)建，側(cè)重于知識(shí)的深度。以知識(shí)圖譜應(yīng)用廣泛的醫(yī)學(xué)領(lǐng)域?yàn)槔t(yī)學(xué)領(lǐng)域的知識(shí)具有專業(yè)性強(qiáng)、復(fù)雜度高等特點(diǎn)，如何基于現(xiàn)有的醫(yī)學(xué)數(shù)據(jù)，進(jìn)行大規(guī)模、規(guī)范化、高質(zhì)量的醫(yī)學(xué)知識(shí)圖譜構(gòu)建并開展應(yīng)用，一直是目前研究的熱門。典型的大型醫(yī)學(xué)知識(shí)圖譜見表1。

2醫(yī)學(xué)知識(shí)圖譜應(yīng)用的新領(lǐng)域

醫(yī)學(xué)知識(shí)圖譜經(jīng)過多年的發(fā)展，已經(jīng)開發(fā)出諸如疾病診斷[18]、臨床決策[19，20]、智能問答[21，22]等典型的應(yīng)用場(chǎng)景。隨著研究的深入，知識(shí)圖譜也漸漸開始應(yīng)用于個(gè)性化醫(yī)療、醫(yī)療保險(xiǎn)、公共衛(wèi)生事件管理、科研發(fā)現(xiàn)、醫(yī)學(xué)健康教育等新領(lǐng)域，本文主要對(duì)近年來(lái)開發(fā)的新場(chǎng)景的應(yīng)用現(xiàn)狀進(jìn)行綜述。

2.1個(gè)性化醫(yī)療" 個(gè)性化醫(yī)療，又稱“精準(zhǔn)醫(yī)療”，是根據(jù)個(gè)人的生活生理等數(shù)據(jù)，從而產(chǎn)生量身定制的醫(yī)療方案的過程。其涉及信息多樣、龐大且復(fù)雜，對(duì)不同知識(shí)之間關(guān)聯(lián)性的發(fā)掘要求較高，而醫(yī)學(xué)知識(shí)圖譜很好地契合了個(gè)性化醫(yī)療的發(fā)展需求[23]。Ping P等[24]提出了心血管醫(yī)學(xué)中個(gè)體化知識(shí)圖譜（individualized knowledge graphs， iKGs）的概念，其本質(zhì)上是一個(gè)心血管知識(shí)網(wǎng)絡(luò)系統(tǒng)，用于以全新的和信息豐富的方式來(lái)聚合和描述個(gè)體化的心血管健康數(shù)據(jù)。iKGs能夠?qū)⑸飳W(xué)知識(shí)與個(gè)體患者的病史和健康結(jié)果全面整合，從而改變臨床醫(yī)生和科研工作人員發(fā)現(xiàn)、交流和應(yīng)用新知識(shí)的方式，并幫助制定個(gè)性化的患者護(hù)理策略。Vilela J等[25]使用來(lái)自DisGeNET和GO的數(shù)據(jù)構(gòu)建了一個(gè)包含了基因、疾病和其他生物實(shí)體之間關(guān)系的醫(yī)學(xué)知識(shí)圖譜，其開發(fā)的方法可根據(jù)確定的基因-疾病關(guān)聯(lián)中豐富的生物途徑對(duì)患者進(jìn)行亞型分層，能夠?yàn)橹贫☉?yīng)用于自閉癥譜系障礙（autism spectrum disorder， ASD）的個(gè)性化醫(yī)學(xué)方法指南提供一定指導(dǎo)。Gyrard A等[26]聚合了來(lái)自各種異構(gòu)來(lái)源的知識(shí)，如物聯(lián)網(wǎng)（IoT）設(shè)備、臨床記錄和電子病歷（EMRs）、鏈接開放數(shù)據(jù)（UMLS、ICD-10等）、醫(yī)學(xué)本體等，創(chuàng)建了個(gè)性化醫(yī)療保健知識(shí)圖譜（personalized healthcare knowledge graph， PHKG），這種基于患者健康情況，結(jié)合環(huán)境數(shù)據(jù)構(gòu)建的醫(yī)學(xué)知識(shí)圖譜，不僅可以支持個(gè)性化健康A(chǔ)pp的開發(fā)，在保持患者知情的情況下，有助于幫助管理慢性疾病，并授權(quán)醫(yī)生就健康相關(guān)問題做出有效的決策，也可以通過持續(xù)監(jiān)測(cè)及時(shí)向患者發(fā)出警報(bào)。Chandak P等[15]整合了包括疾病相關(guān)蛋白質(zhì)擾動(dòng)、生物過程和途徑、解剖和表型尺度以及整個(gè)批準(zhǔn)的藥物范圍及其治療作用等多個(gè)高質(zhì)量的資源構(gòu)建了醫(yī)學(xué)知識(shí)圖譜PrimeKG，由于其包含了大量的藥物與疾病之間的聯(lián)系，因此可用于支持AI對(duì)藥物如何影響疾病進(jìn)行分析，并且深入剖析分子和遺傳因素及其表型后果之間的關(guān)系，以此來(lái)制定個(gè)性化診斷策略和有針對(duì)性的治療方案。

由上可知，醫(yī)學(xué)知識(shí)圖譜在個(gè)性化醫(yī)療上的應(yīng)用是以患者個(gè)性化數(shù)據(jù)為基礎(chǔ)，結(jié)合IoT設(shè)備和AI等前沿科技，從而開展的各類基于知識(shí)的個(gè)性化醫(yī)療手段。在未來(lái)，隨著可穿戴設(shè)備和超高速網(wǎng)絡(luò)的發(fā)展，個(gè)性化的醫(yī)療數(shù)據(jù)更加容易采集，將個(gè)體情況、環(huán)境背景信息與現(xiàn)有醫(yī)學(xué)知識(shí)結(jié)合利用，形成個(gè)性化的智能醫(yī)療服務(wù)，不僅能夠有效提升用戶健康水平，也能減輕醫(yī)療保健方面的工作負(fù)擔(dān)。

2.2醫(yī)療保險(xiǎn)風(fēng)險(xiǎn)控制" 疾病診斷相關(guān)分組（diagnosis-related group， DRG）是一種根據(jù)患者年齡、疾病診斷、并發(fā)癥、合并癥及治療方式等因素將患者分成若干DRG組進(jìn)行管理的體系[27]。隨著我國(guó)對(duì)DRG的研究逐漸深入，諸如低碼高編、分解住院、住院費(fèi)用轉(zhuǎn)移等問題漸漸顯現(xiàn)。對(duì)于醫(yī)療機(jī)構(gòu)來(lái)說(shuō)，要想強(qiáng)化對(duì)醫(yī)療質(zhì)量和醫(yī)療行為的監(jiān)管，除了控制醫(yī)療費(fèi)用，就需要具有自動(dòng)化、智能化的醫(yī)保質(zhì)控能力[28-30]。而醫(yī)學(xué)知識(shí)圖譜的出現(xiàn)，可以很好地解決這類問題，建立融合循證醫(yī)學(xué)和臨床指南等權(quán)威醫(yī)學(xué)知識(shí)、醫(yī)保支付政策、醫(yī)保監(jiān)控規(guī)則的知識(shí)圖譜，構(gòu)建基于知識(shí)圖譜的規(guī)則邏輯風(fēng)控預(yù)警模型，通過自動(dòng)發(fā)掘數(shù)據(jù)之間的深層關(guān)系，降低審核過程對(duì)專業(yè)人員的依賴，從而為醫(yī)保監(jiān)管工作提供有力支撐。目前國(guó)內(nèi)已有像艾登等應(yīng)用醫(yī)學(xué)知識(shí)圖譜進(jìn)行醫(yī)保病案質(zhì)控，而在學(xué)界也有不少相關(guān)研究，例如，劉新奎等[31]將醫(yī)學(xué)知識(shí)圖譜與DRG相結(jié)合，有效地融合不同的醫(yī)療知識(shí)庫(kù)構(gòu)建DRG MKG（drg medical knowledge graphs），隨時(shí)更新醫(yī)學(xué)知識(shí)，以契合DRG的發(fā)展，輔助DRG分組器優(yōu)化。通過結(jié)合DRG、病案首頁(yè)及臨床知識(shí)等多組學(xué)數(shù)據(jù)構(gòu)建的醫(yī)學(xué)知識(shí)圖譜，不僅能有效開展疾病風(fēng)險(xiǎn)預(yù)測(cè)、疾病早期診斷等工作，而且對(duì)于健康宣教、輔助診療也有很大推動(dòng)作用，能夠促進(jìn)患者對(duì)疾病的客觀認(rèn)知，盡早配合治療，從而降低醫(yī)療費(fèi)用，節(jié)約醫(yī)療資源。

醫(yī)學(xué)知識(shí)圖譜在檢測(cè)醫(yī)保欺詐方面也有一定應(yīng)用。Sun H等[32]利用醫(yī)學(xué)知識(shí)圖譜開發(fā)了一種能自動(dòng)識(shí)別臨床可疑的FWA（fraud-waste-abuse）檢測(cè)索賠的方法。其數(shù)據(jù)來(lái)源于中國(guó)食品藥監(jiān)局、醫(yī)學(xué)教科書以及檢查信息，基于此設(shè)計(jì)了三種知識(shí)推理規(guī)則來(lái)識(shí)別三種不適當(dāng)?shù)脑\斷/藥物治療，利用該知識(shí)圖譜能夠檢測(cè)70%的可疑索賠。Li J等[33]基于20 000名被保險(xiǎn)人的醫(yī)療保險(xiǎn)文本數(shù)據(jù)構(gòu)建了醫(yī)學(xué)知識(shí)圖譜，在此基礎(chǔ)上，將表示學(xué)習(xí)和改進(jìn)的標(biāo)簽傳播算法（LPA）用于特征工程，然后結(jié)合醫(yī)療費(fèi)用數(shù)據(jù)和XGBoost等技術(shù)，形成了醫(yī)療保險(xiǎn)欺詐檢測(cè)模型，該模型在醫(yī)療保險(xiǎn)欺詐檢測(cè)中取得良好的效果，并且可用于輔助醫(yī)療保險(xiǎn)報(bào)銷審計(jì)工作。

總的來(lái)說(shuō)，醫(yī)學(xué)知識(shí)圖譜在醫(yī)療保險(xiǎn)風(fēng)險(xiǎn)控制方面的應(yīng)用，符合目前醫(yī)療服務(wù)流程規(guī)范化、收費(fèi)透明化等趨勢(shì)。無(wú)論是DRG或者是醫(yī)療保險(xiǎn)，對(duì)于疾病、藥物、檢查等多種醫(yī)學(xué)知識(shí)之間的關(guān)聯(lián)揭示，以及如何根據(jù)這些知識(shí)關(guān)聯(lián)進(jìn)行合理的資源分配和風(fēng)險(xiǎn)調(diào)控，均存在一定需求。隨著醫(yī)保信息化、醫(yī)院管理精細(xì)化等要求的進(jìn)一步落實(shí)，利用醫(yī)學(xué)知識(shí)圖譜輔助患者醫(yī)療費(fèi)用降低和醫(yī)療保險(xiǎn)風(fēng)險(xiǎn)控制，是一個(gè)可行的研究方向。

2.3公共衛(wèi)生事件管理" 突發(fā)公共衛(wèi)生事件通常會(huì)造成巨大的破壞，研究時(shí)效性與可理解性在解決這類事件中尤為重要，亟需快速分析研究現(xiàn)狀、抽取特定研究信息的方法。其中，與之相關(guān)的科學(xué)文獻(xiàn)是知識(shí)傳播的主要載體與重要途徑之一，但這類文獻(xiàn)中專業(yè)術(shù)語(yǔ)特殊性與歧義性很容易導(dǎo)致傳播受阻問題，為解決這類問題，劉華玲等[34]利用自然語(yǔ)言處理與知識(shí)圖譜技術(shù)，以PubMed中所有新型冠狀病毒感染相關(guān)的文獻(xiàn)為基礎(chǔ)，使用BERT-BiLSTM-CRF模型進(jìn)行命名實(shí)體識(shí)別，并對(duì)同名的研究者進(jìn)行消歧處理，最終建立的知識(shí)圖譜不僅可以快速查詢新型冠狀病毒感染相關(guān)的研究現(xiàn)狀、前沿?zé)狳c(diǎn)、研究進(jìn)程，也讓研究人員與投資者能夠快速尋找特定課題的意見領(lǐng)袖，從而推進(jìn)新型冠狀病毒感染相關(guān)科研工作。以公共衛(wèi)生事件管理為導(dǎo)向而構(gòu)建的醫(yī)學(xué)知識(shí)圖譜，能夠高效地對(duì)決策進(jìn)行支持，并且輔助相關(guān)政策的制定。Yang Y等[35]在3096篇新型冠狀病毒感染相關(guān)研究論文的基礎(chǔ)上，構(gòu)建了新型冠狀病毒感染建模研究相關(guān)的IE數(shù)據(jù)集，并提出了一種基于數(shù)據(jù)集的多任務(wù)文檔級(jí)信息抽取模型SS-DYGIE++?；诖藰?gòu)建的新冠病毒公共衛(wèi)生證據(jù)知識(shí)圖譜，不僅能夠呈現(xiàn)新型冠狀病毒感染的動(dòng)態(tài)傳播趨勢(shì)，還可以顯示各種非藥物干預(yù)措施對(duì)新型冠狀病毒感染流行的影響，從而支持政策制定。葉荔姍[36]通過知識(shí)圖譜和深度學(xué)習(xí)等技術(shù)來(lái)監(jiān)測(cè)公共衛(wèi)生事件中的風(fēng)險(xiǎn)人群，構(gòu)建人的時(shí)空動(dòng)態(tài)軌跡模型以動(dòng)態(tài)監(jiān)測(cè)疫情，在此基礎(chǔ)上搭建適用于不同疫情或突發(fā)事件的可擴(kuò)展可移植防控系統(tǒng)，實(shí)現(xiàn)多元主體信息共享下的信息輔助閉環(huán)管理和防控協(xié)同。

在面對(duì)大規(guī)模的公共衛(wèi)生事件時(shí)，追蹤疾病傳播途徑、確定感染源頭是件十分耗費(fèi)人力的工作，Shen Y等[37]利用醫(yī)學(xué)知識(shí)圖譜來(lái)進(jìn)行自動(dòng)推斷傳播路徑和感染源，為預(yù)測(cè)和控制包括新型冠狀病毒感染在內(nèi)的傳染病提供了一個(gè)很好的解決方案和工具，即通過知識(shí)圖譜來(lái)自動(dòng)推斷感染源，從而有效地利用有限的資源來(lái)檢測(cè)潛在風(fēng)險(xiǎn)，實(shí)現(xiàn)疫情的快速控制。

公共衛(wèi)生事件管理中涉及到的知識(shí)是醫(yī)學(xué)知識(shí)和管理知識(shí)的融合，其不僅涵蓋醫(yī)藥衛(wèi)生、政策法律法規(guī)、人力物力等各個(gè)要素，也包括了各類要素之間的關(guān)聯(lián)。利用知識(shí)圖譜，不僅能很好地解決現(xiàn)有的知識(shí)體系中的知識(shí)過于分散，各個(gè)要素之間缺乏聯(lián)系等問題，還能借助知識(shí)推理等技術(shù)，開展疾病流行趨勢(shì)預(yù)測(cè)等工作，進(jìn)一步挖掘現(xiàn)有公共衛(wèi)生數(shù)據(jù)的價(jià)值，用大數(shù)據(jù)賦能，實(shí)現(xiàn)公共衛(wèi)生領(lǐng)域智慧應(yīng)急。

2.4科研發(fā)現(xiàn)" 藥物發(fā)現(xiàn)是發(fā)現(xiàn)新的候選藥物的過程，是一個(gè)漫長(zhǎng)、復(fù)雜和昂貴的過程，是由現(xiàn)有化學(xué)庫(kù)和數(shù)據(jù)庫(kù)中越來(lái)越多的數(shù)據(jù)驅(qū)動(dòng)的，而將知識(shí)圖譜引入藥物研發(fā)領(lǐng)域，能夠?yàn)楫悩?gòu)生物醫(yī)學(xué)數(shù)據(jù)的整合提供了一個(gè)明確的框架和利用路徑，并縮短藥物發(fā)現(xiàn)的周期，降低藥物研發(fā)成本[38，39]。Sang S等[40]提出了一種基于生物醫(yī)學(xué)知識(shí)圖譜嵌入的遞歸神經(jīng)網(wǎng)絡(luò)方法，稱為GrEDeL，它通過挖掘已發(fā)表的生物醫(yī)學(xué)文獻(xiàn)來(lái)發(fā)現(xiàn)潛在的治療疾病的藥物，實(shí)驗(yàn)結(jié)果表明，該方法不僅可以通過挖掘文獻(xiàn)有效地發(fā)現(xiàn)新藥，而且可以為候選藥物提供相應(yīng)的作用機(jī)制，能夠作為目前傳統(tǒng)藥物發(fā)現(xiàn)方法的補(bǔ)充。此外，基于醫(yī)學(xué)知識(shí)圖譜進(jìn)行藥物再利用預(yù)測(cè)和藥物不良反應(yīng)（adverse drug reaction， ADR）預(yù)測(cè)也是近年來(lái)較為熱門的方向。藥物再利用是指對(duì)那些已經(jīng)上市或正在開發(fā)（包括開發(fā)停止）的藥物進(jìn)行相關(guān)研究用于新治療用途的研發(fā)策略，目前的研究方法也是基于數(shù)據(jù)驅(qū)動(dòng)，并且涉及多種類型的數(shù)據(jù)。Zhu Y等[41]提出了一種基于藥物知識(shí)圖譜的知識(shí)驅(qū)動(dòng)藥物再利用方法，通過系統(tǒng)整合多個(gè)藥物知識(shí)庫(kù)，設(shè)計(jì)并開發(fā)了一個(gè)藥物知識(shí)圖譜，在此基礎(chǔ)上，使用基于路徑和嵌入的數(shù)據(jù)表示方法，將藥物知識(shí)圖中的信息轉(zhuǎn)換為有價(jià)值的輸入，從而讓機(jī)器學(xué)習(xí)模型對(duì)藥物再利用進(jìn)行預(yù)測(cè)。Asada M等[42]基于知識(shí)圖譜提出了一種新的從文獻(xiàn)中提取藥物-藥物相互作用（drug-drug interaction， DDI）的方法，該方法同時(shí)考慮了各種異構(gòu)信息，有效地解決了傳統(tǒng)的基于深度神經(jīng)網(wǎng)絡(luò)的DDI提取方法大多只考慮文本中藥物提及的上下文信息的缺點(diǎn)。由于當(dāng)一種藥物與另一種或多種藥物共同使用時(shí)，會(huì)引起不良反應(yīng)，因此可基于提取的DDI進(jìn)行ADR預(yù)測(cè)[43]。Joshi P等[44]基于知識(shí)圖譜嵌入技術(shù)，設(shè)計(jì)并訓(xùn)練了一個(gè)定制的深度神經(jīng)網(wǎng)絡(luò)（deep neural networks， DNN），稱為知識(shí)圖譜DNN，用于預(yù)測(cè)藥物不良反應(yīng)，該方法在藥物肝損傷和新型冠狀病毒感染治療推薦藥物的個(gè)案研究上表現(xiàn)良好。Zeng X等[38]則對(duì)基于知識(shí)圖譜的藥物再利用和ADR預(yù)測(cè)在藥物研發(fā)中的應(yīng)用做了總結(jié)，并將其劃分為5個(gè)基本步驟，從數(shù)據(jù)源收集數(shù)據(jù)、提取數(shù)據(jù)（包括化學(xué)屬性、藥物副作用、藥物靶標(biāo)等）、嵌入模型的不同輸入（包括三元組、藥物-藥物相互作用矩陣等）、編碼（在嵌入過程中，使用不同結(jié)構(gòu)的模型來(lái)學(xué)習(xí)知識(shí)圖譜的表示，并用特定的得分和損失函數(shù)來(lái)訓(xùn)練模型）、預(yù)測(cè)（通過識(shí)別三元組是否是事實(shí)或使用實(shí)體嵌入進(jìn)行預(yù)測(cè)）。

蛋白質(zhì)是控制生物和生命本身的基本大分子，對(duì)蛋白質(zhì)的研究有助于理解人類健康和發(fā)展疾病療法。利用知識(shí)圖譜對(duì)非結(jié)構(gòu)化文本（如氨基酸序列或蛋白質(zhì)描述）和結(jié)構(gòu)化數(shù)據(jù)（如已知的蛋白質(zhì)相互作用）之間的相互依賴關(guān)系進(jìn)行建模，能夠更好地表現(xiàn)和利用蛋白質(zhì)相關(guān)的生物醫(yī)學(xué)知識(shí)，并進(jìn)行蛋白質(zhì)相關(guān)研究[45]。例如有研究人員以基因本體GO和Uniprot知識(shí)庫(kù)為基礎(chǔ)創(chuàng)建了用于蛋白質(zhì)科學(xué)的知識(shí)圖譜ProteinKG65，該知識(shí)圖譜將蛋白質(zhì)相關(guān)知識(shí)和蛋白質(zhì)序列轉(zhuǎn)換為GO術(shù)語(yǔ)或蛋白質(zhì)實(shí)體，從而實(shí)現(xiàn)蛋白質(zhì)功能和結(jié)構(gòu)預(yù)測(cè)。

EHR在多年的使用過程中，積累了大量醫(yī)療過程和結(jié)果相關(guān)的大數(shù)據(jù)，但由于數(shù)據(jù)分散、數(shù)據(jù)異構(gòu)等特點(diǎn)，其利用程度仍然處于較低的水平。Shang Y等[46]設(shè)計(jì)研究了面向EHR的知識(shí)圖譜系統(tǒng)，通過利用知識(shí)圖譜創(chuàng)建EHR數(shù)據(jù)軌跡，并通過語(yǔ)義規(guī)則進(jìn)行推理，從而識(shí)別EHR數(shù)據(jù)中的重要臨床發(fā)現(xiàn)，并通過推理路徑更好地向醫(yī)生解釋那些被忽略的但是具有重要價(jià)值的醫(yī)學(xué)信息的意義。此外，基于BioMedKGs[17]提出的BIOS醫(yī)學(xué)科研選題工具，以PubMed、Sci-Hub等權(quán)威醫(yī)學(xué)文獻(xiàn)庫(kù)作為靈感來(lái)源，利用實(shí)體識(shí)別、文本指代消解領(lǐng)域文本無(wú)監(jiān)督相似度計(jì)算等技術(shù)，對(duì)醫(yī)學(xué)文獻(xiàn)進(jìn)行解讀，并提取選題靈感，為醫(yī)學(xué)知識(shí)圖譜輔助科學(xué)研究提供了一種全新的思路。

2.5醫(yī)學(xué)健康教育" “健康中國(guó)行動(dòng)（2019-2030年）”[47]指出，“普及健康知識(shí)”為實(shí)現(xiàn)國(guó)民健康的重要途徑。在已有的智能檢索與問答的應(yīng)用基礎(chǔ)上，以公眾自我管理能力為核心，以健康教育與非藥物干預(yù)為應(yīng)用場(chǎng)景，醫(yī)學(xué)知識(shí)圖譜在醫(yī)學(xué)知識(shí)普及和健康教育方面極具潛力。Cope B等[48]基于醫(yī)學(xué)知識(shí)圖譜開發(fā)了醫(yī)學(xué)教育相關(guān)的網(wǎng)站應(yīng)用，該應(yīng)用不僅能建立醫(yī)療邏輯可視化，以補(bǔ)充電子健康記錄，還能支持醫(yī)學(xué)生進(jìn)行臨床病例分析，提高醫(yī)學(xué)教學(xué)質(zhì)量。由于醫(yī)師培訓(xùn)課程要求對(duì)大量的知識(shí)進(jìn)行集中、快速的吸收，為了幫助醫(yī)學(xué)生優(yōu)化學(xué)習(xí)路徑;Ettorre A等[49]以O(shè)ntoSIDES等知識(shí)圖譜為基礎(chǔ)，提出了一個(gè)能讓醫(yī)學(xué)生在SIDES平臺(tái)上進(jìn)行學(xué)習(xí)的模型，以兒科和心血管專業(yè)學(xué)習(xí)作為實(shí)例進(jìn)行實(shí)驗(yàn)，發(fā)現(xiàn)該模型很好地提升了學(xué)習(xí)效果。Ansong S等[18]利用醫(yī)學(xué)知識(shí)圖譜解決了醫(yī)學(xué)培訓(xùn)系統(tǒng)中，在疾病診斷方面缺乏數(shù)據(jù)和可解釋性差等問題，從而構(gòu)建和完善了醫(yī)療培訓(xùn)系統(tǒng)中的疾病診斷功能。

在醫(yī)學(xué)知識(shí)科普方面，王麗敏等[50]以“4P”醫(yī)學(xué)模式為指導(dǎo)，構(gòu)建了以疾病概述、臨床癥狀、臨床診斷、預(yù)防與康復(fù)指導(dǎo)、治療等為一級(jí)知識(shí)框架的膝關(guān)節(jié)骨性關(guān)節(jié)炎（knee osteoarthritis， KOA）疾病知識(shí)圖譜，將疾病知識(shí)圖譜以圖數(shù)據(jù)庫(kù)可視化呈現(xiàn)、Web端表示，建立起公眾可參與的KOA疾病知識(shí)查詢、應(yīng)答的途徑。既將普通用戶從海量的信息中解放出來(lái)，免去了公眾因缺少專業(yè)知識(shí)對(duì)信息進(jìn)行誤判、誤信，也使護(hù)理工作中的健康教育內(nèi)容能夠與時(shí)俱進(jìn)、快速更新。

3總結(jié)

醫(yī)學(xué)領(lǐng)域是知識(shí)圖譜建設(shè)與應(yīng)用最前沿的研究領(lǐng)域之一，一方面醫(yī)療信息化的發(fā)展累積了海量的醫(yī)學(xué)數(shù)據(jù);另一方面醫(yī)學(xué)領(lǐng)域知識(shí)本體數(shù)據(jù)庫(kù)的建立相對(duì)規(guī)范，為醫(yī)學(xué)知識(shí)圖譜的構(gòu)建打下了堅(jiān)實(shí)的基礎(chǔ)，比如IBM研發(fā)的Watson Health醫(yī)學(xué)知識(shí)圖譜，每秒能完成267篇非結(jié)構(gòu)化醫(yī)學(xué)文獻(xiàn)的知識(shí)自動(dòng)抽取，并可在多個(gè)醫(yī)療領(lǐng)域輔助醫(yī)生診斷與治療。隨著和機(jī)器學(xué)習(xí)等技術(shù)結(jié)合，醫(yī)學(xué)知識(shí)圖譜的應(yīng)用場(chǎng)景越來(lái)越豐富。如今流行的大語(yǔ)言模型（large language models， LLMs），為AI在醫(yī)學(xué)領(lǐng)域的應(yīng)用帶來(lái)了新的希望。通過結(jié)合知識(shí)圖譜，LLMs有望解決缺乏事實(shí)知識(shí)、幻覺和可解釋性等諸多問題。可以預(yù)見的是，在科技向人工智能邁進(jìn)的階段，醫(yī)學(xué)知識(shí)圖譜將發(fā)揮更大的作用。

參考文獻(xiàn)：

[1]中華人民共和國(guó)國(guó)務(wù)院.新一代人工智能發(fā)展規(guī)劃[EB/OL].（2017-7-20）[2023-9-17].https：//www.gov.cn/zhengce/content/2017-07/20/content_5211996.htm

[2]中國(guó)科學(xué)院大學(xué)動(dòng)善時(shí)新經(jīng)濟(jì)研究中心.中國(guó)新經(jīng)濟(jì)發(fā)展報(bào)告2020[M].北京：電子工業(yè)出版社，2020：7.

[3]Ebeid IA.MedGraph： A semantic biomedical information retrieval framework using knowledge graph embedding for PubMed[J].Front Big Data，2022，5：965619.

[4]Xu X，Wang X，Wu M，et al.Development of an interactive medical knowledge graph based tool set[J]. Procedia Computer Science，2023，221：578-584.

[5]Liu W，Yin L，Wang C，et al.Medical knowledge graph in Chinese using deep semantic mobile computation based on IoT and WoT[J].Wirel Commun Mob Com，2021，2021：1-13.

[6]Varshney D，Zafar A，Behera NK，et al.Knowledge graph assisted end-to-end medical dialog generation[J].Artif Intell Med，2023，139：102535.

[7]Nicholson DN，Greene CS.Constructing knowledge graphs and their biomedical applications[J].Comput Struct Biotechnol J，2020，18：1414-1428.

[8]MacLean F.Knowledge graphs and their applications in drug discovery[J].Expert Opin Drug Discov，2021，16（9）：1057-1069.

[9]Afshar M，Gao YJ，Gupta D，et al.On the role of the UMLS in supporting diagnosis generation proposed by Large Language Models[J].J Biomed Inform，2024，157：104707.

[10]李丹亞，胡鐵軍，李軍蓮，等.中文一體化醫(yī)學(xué)語(yǔ)言系統(tǒng)的構(gòu)建與應(yīng)用[J].情報(bào)雜志，2011，30（2）：147-151.

[11]昝紅英，竇華溢，賈玉祥，等.基于多來(lái)源文本的中文醫(yī)學(xué)知識(shí)圖譜的構(gòu)建[J].鄭州大學(xué)學(xué)報(bào)（理學(xué)版），2020，52（2）：45-51.

[12]Pan Y，Chen Q，Peng W，et al.Medwriter： Knowledge-aware medical text generation[C]//Proceedings of the 28th International Conference on Computational Linguistics.2020：2363-2368.

[13]Long H，Zhu Y，Jia L，et al.An ontological framework for the formalization， organization and usage of TCM-Knowledge[J].BMC Med Inform Decis Mak，2019，19（Suppl 2）：53.

[14]Schatz K，Korn D，Tropsha A，et al.Workflow for Domain-and Task-Sensitive Curation of Knowledge Graphs， with Use Case of DRKG[C]//2022 IEEE International Conference on Big Data （Big Data）.IEEE，2022：3692-3701.

[15]Chandak P，Huang K，Zitnik M.Building a knowledge graph to enable precision medicine[J].Sci Data，2023，10（1）：67.

[16]Lan G，Li Y，Hu M，et al.Knowledge graph integrated graph neural networks for Chinese medical text classification[C]//2021 IEEE International Conference on Bioinformatics and Biomedicine （BIBM）.IEEE，2021： 682-687.

[17]Bang D，Lim S，Lee S，et al.Biomedical knowledge graph learning for drug repurposing by extending guilt-by-association to multiple layers[J].Nat Commun，2023，14（1）：3570.

[18]Ansong S，Eteffa K F，Li C，et al.How to empower disease diagnosis in a medical education system using knowledge graph[C]//Web Information Systems and Applications： 16th International Conference， WISA 2019， Qingdao， China， September 20-22， 2019， Proceedings 16.Springer International Publishing，2019：518-523.

[19]Lyu K，Tian Y，Shang Y，et al.Causal knowledge graph construction and evaluation for clinical decision support of diabetic nephropathy[J].J Biomed Inform，2023，139：104298.

[20]Zhou G，E H，Kuang Z，et al.Clinical decision support system for hypertension medication based on knowledge graph[J].Comput Methods Programs Biomed，2022，227：107220.

[21]Wu X，Duan J，Pan Y，et al.Medical knowledge graph： Data sources， construction， reasoning， and applications[J].Big Data Min Anal，2023，6（2）：201-217.

[22]Huang J，Chen Y，Li Y，et al.Medical knowledge-based network for Patient-oriented Visual Question Answering[J].Inform Process Manag，2023，60（2）：103241.

[23]Ma C，An Q，Yang Z，et al.A Hybrid Recommendation Approach for Medical Services That Incorporates Knowledge Graphs[J].Processes，2022，10（8）：1500.

[24]Ping P，Watson K，Han J，et al.Individualized Knowledge Graph： A Viable Informatics Path to Precision Medicine[J].Circ Res，2017，120（7）：1078-1080.

[25]Vilela J，Asif M，Marques AR，et al.Biomedical knowledge graph embeddings for personalized medicine： Predicting disease‐gene associations[J].Expert Systems，2022：e13181.

[26]Gyrard A，Gaur M，Shekarpour S，et al.Personalized health knowledge graph[C]//CEUR workshop proceedings.NIH Public Access，2018，2317.

[27]劉新奎，楊林朋.疾病診斷相關(guān)分組（DRGs）在我國(guó)的發(fā)展與應(yīng)用[J].中華醫(yī)學(xué)圖書情報(bào)雜志，2018，27（8）：48-51.

[28]肖曉蘭，韋艷靈.病案信息對(duì)DRGs發(fā)展的影響[J].中國(guó)病案，2016，17（12）：6-8，42.

[29]馬忠凱.病案首頁(yè)質(zhì)量控制對(duì)DRG的影響分析[J].中國(guó)衛(wèi)生經(jīng)濟(jì)，2018，37（12）：94-95.

[30]康婭，閆學(xué)麗，楊曉雨，等.DRG付費(fèi)體制助力病案首頁(yè)質(zhì)量控制[J].現(xiàn)代醫(yī)院，2021，21（12）：1883-1885.

[31]劉新奎，楊林朋，昝紅英，等.基于疾病診斷相關(guān)分組的醫(yī)學(xué)知識(shí)圖譜庫(kù)構(gòu)建方法[J].醫(yī)學(xué)信息學(xué)雜志，2020，41（9）：27-30.

[32]Sun H，Xiao J，Zhu W，et al.Medical Knowledge Graph to Enhance Fraud， Waste， and Abuse Detection on Claim Data： Model Development and Performance Evaluation[J].JMIR Med Inform，2020，8（7）：e17653.

[33]Li J，Liu J，Liu X，et al.A medical insurance fraud detection model with knowledge graph and machine learning[C]//International Conference on Computer Application and Information Security （ICCAIS 2021）. SPIE，2022，12260：531-540.

[34]劉華玲，孫毅.基于實(shí)體識(shí)別和信息融合的知識(shí)圖譜研究——以新冠肺炎疫情為例[J].計(jì)算機(jī)技術(shù)與發(fā)展，2022，32（9）：107-113.

[35]Yang Y，Cao Z，Zhao P，et al.Constructing public health evidence knowledge graph for decision-making support from COVID-19 literature of modelling study[J].J Saf Sci Resil，2021，2（3）：146-156.

[36]葉荔姍.數(shù)據(jù)與知識(shí)驅(qū)動(dòng)的涉疫風(fēng)險(xiǎn)人群防控系統(tǒng)研究[J].中國(guó)數(shù)字醫(yī)學(xué)，2022，17（9）：17-22.

[37]Shen Y，Liu Y，Jiao X，et al.Knowledge Graph： Applications in Tracing the Source of Large-Scale Outbreak - Beijing Municipality， China， 2020-2021[J].China CDC Wkly，2023，5（4）：90-95.

[38]Zeng X，Tu X，Liu Y，et al.Toward better drug discovery with knowledge graph[J].Curr Opin Struct Biol，2022，72：114-126.

[39]Sosa DN，Altman RB.Contexts and contradictions： a roadmap for computational drug repurposing with knowledge inference[J].Brief Bioinform，2022，23（4）：bbac268.

[40]Sang S，Yang Z，Liu X，et al.GrEDeL： A Knowledge Graph Embedding Based Method for Drug Discovery From Biomedical Literatures[J].IEEE Access，2019，7：8404-8415.

[41]Zhu Y，Che C，Jin B，et al.Knowledge-driven drug repurposing using a comprehensive drug knowledge graph[J].Health Informatics J，2020，26（4）：2737-2750.

[42]Asada M，Miwa M，Sasaki Y.Integrating heterogeneous knowledge graphs into drug-drug interaction extraction from the literature[J].Bioinformatics，2023，39（1）：btac754.

[43]Wang J，Zhang S，Li R，et al.Multi-view feature representation and fusion for drug-drug interactions prediction[J].BMC Bioinformatics，2023，24（1）：93.

[44]Joshi P，V M，Mukherjee A.A knowledge graph embedding based approach to predict the adverse drug reactions using a deep neural network[J].J Biomed Inform，2022，132：104122.

[45]Balabin H，Hoyt CT，Gyori BM，et al.ProtSTonKGs： a sophisticated transformer trained on protein sequences， text， and knowledge graphs[C]//SWAT4HCLS 2022： Semantic Web Applications and Tools for Health Care and Life Sciences. 13th International Conference on Semantic Web Applications and Tools for Health Care and Life Sciences， Virtual Event， Leiden， Netherlands， January 10th to 14th， 2022.RWTH Aachen，2022：103-107.

[46]Shang Y，Tian Y，Zhou M，et al.EHR-Oriented Knowledge Graph System： Toward Efficient Utilization of Non-Used Information Buried in Routine Clinical Practice[J].IEEE J Biomed Health Inform，2021，25（7）：2463-2475.

[47]中華人民共和國(guó)衛(wèi)生健康委員會(huì).健康中國(guó)行動(dòng)（2019-2030年）[EB/OL].（2019-7-15）[2023-9-17].http：//www.nhc.gov.cn/cms-search/xxgk/getManuscriptXxgk.htm？id=e9275fb 95d5b4295be8308415d4cd1b2

[48]Cope B，Kalantzis M，Zhai C，et al.Maps of medical reason： applying knowledge graphs and artificial intelligence in medical education and practice[M].Bioinformational philosophy and postdigital knowledge ecologies，Springer，2022：133-159.

[49]Ettorre A，Rocha Rodríguez O，F(xiàn)aron C，et al.A knowledge graph enhanced learner model to predict outcomes to questions in the medical field[C]//International Conference on Knowledge Engineering and Knowledge Management.Cham： Springer International Publishing，2020：237-251.

[50]王麗敏，陳泓伯，王琦，等.以公眾健康教育與非藥物干預(yù)為主的膝關(guān)節(jié)骨性關(guān)節(jié)炎疾病知識(shí)圖譜的構(gòu)建[J].中華護(hù)理雜志，2022，57（10）：1172-1177.

收稿日期：2023-08-21;修回日期：2023-11-03

編輯/王萌

基金項(xiàng)目：1.深圳市公共衛(wèi)生事件應(yīng)急管理知識(shí)圖譜研究（編號(hào)：738010014）;2.中南大學(xué)研究生科研創(chuàng)新項(xiàng)目（校企聯(lián)合）（編號(hào)：164990007）;3.中南大學(xué)創(chuàng)新創(chuàng)業(yè)教育教學(xué)改革研究項(xiàng)目（編號(hào)：150030010）

作者簡(jiǎn)介：李昌鏢（1997.11-），男，江西吉安人，碩士研究生，主要從事醫(yī)學(xué)信息組織、知識(shí)圖譜研究

通訊作者：李蓓（1974.4-），女，湖南郴州人，碩士，副教授，主要從事信息組織、醫(yī)學(xué)大數(shù)據(jù)等研究