基于大數據技術的醫學知識圖譜構建方法

孫鄭煜 鄂海紅 宋美娜

摘 ?要： 為了解決醫學知識圖譜中知識重復、知識質量良莠不齊、知識間關聯不夠明確等問題，本文提出了一種大數據驅動下的醫學知識圖譜構建方法，同時針對醫學知識圖譜集成、演進、增強方面進行圖譜知識融合和補全操作。然后，簡單介紹醫學知識圖譜在醫學領域的幾個重要應用以及相關的人工智能技術的支持。最后，結合當前我國醫學知識圖譜構建技術面臨的重大挑戰和關鍵問題，對其發展前景進行了展望。

關鍵詞： 醫學知識圖譜;知識融合;知識補全;大數據驅動

中圖分類號： TP391.1 ? ?文獻標識碼： A ? ?DOI：10.3969/j.issn.1003-6970.2020.01.003

本文著錄格式：孫鄭煜，鄂海紅，宋美娜，等. 基于大數據技術的醫學知識圖譜構建方法[J]. 軟件，2020，41（01）：1317

【Abstract】： In order to solve the problems of knowledge duplication， uneven quality of knowledge， and unclear correlation between knowledge， this paper proposes a big-data-driven construction method of medical knowledge graphs，and carry out the knowledge graphs fusion and completion operation in terms of the integration， evolution and enhancement of medical knowledge graphs. Then， this paper briefly introduces several important applications of medical knowledge graphs in medical field and the support of related artificial intelligence technology. Finally， this paper summarized challenges and major problems of medical knowledge graph， and prospected for future development.

【Key words】： Medical knowledge graphs; Knowledge fusion; Knowledge completion; Big data driven

0 ?引言

醫學知識圖譜的構建主要是從非結構化的數據中人工或自動地提取實體、關系和屬性。由于醫學知識圖譜的研究成果將有助于推進醫學數據自動化和智能化處理，有著廣闊的應用前景和社會價值，因此完善醫學知識圖譜的構建已經成為當前的一個研究熱點。現有的基于深度學習的知識圖譜融合與知識圖譜補全方法已經取得了一定的成果，提升了融合和補全精度，降低了人工成本，加快了數據處理效率。但是在知識圖譜融合和知識圖譜補全領域中仍存在不少挑戰。

1 ?醫學知識圖譜研究現狀

本文主要針對面向大數據的醫學知識圖譜構建的持續演進，研究面向大數據與人工智能的知識圖譜構建流程，同時設想研究基于圖神經網絡的知識融合、知識補全和動態知識更新表示問題。

目前基于圖神經網絡的知識圖譜融合、補全和動態知識表示的相關研究還處于初級階段，在醫學知識圖譜演進方向更未形成對應技術體系。下面就醫學知識圖譜的研究現狀進行詳細分析。

1.1 ?研究現狀

醫學知識數據集包括醫學術語集（本體庫）、醫學知識庫和醫學知識圖譜。

其中目前的醫學術語集（本體庫）為醫學知識庫構建、醫學知識圖譜構建提供了醫學專業術語、受限詞匯的分類和概念標準化工作，權威且涵蓋范圍廣，在數量和質量上都有所保障，被醫療行業廣泛認可。

在醫學知識庫方面，目前國內外的醫學知識庫大多是基于某一?？祁I域的，但醫學知識庫是以結構化字段定義的方式存儲醫學知識，缺乏豐富的結構信息。而醫學知識圖譜是圖狀具有關聯性的知識集合，實際上是基于語義網的知識庫的形象化表示，重在抽取關系展示知識間的高關聯性和高結構化的特征。由此醫學知識圖譜能夠包含更加豐富的關系層次和關系鏈接，顯著提升知識推理的精度及效果。

總體來說，大規模、多領域、跨語言的專科醫學知識圖譜構建尚處于演進發展、不斷增強階段，若要得到更完善的醫療知識圖譜，需要對不同的醫療本體庫、知識庫和圖譜進行融合以及將尚未涵蓋的知識和不斷產生的新知識融合到已有的知識圖譜中。醫療知識圖譜的構建必須是一個不斷迭代更新的過程。醫學知識圖譜演進所需的知識融合、知識補全、動態知識更新表示就變得迫切和亟需。

1.2 ?有效工具

目前知識圖譜普遍采用了語義網框架中RDF （Resource Description Framework，資源模式框架）模型來表示數據[1]。北京大學計算機所數據管理實驗室研發了面向RDF知識圖譜的開源數據庫系統（通常稱為Triple Store）。不同于傳統基于關系數據庫的知識圖譜數據管理方法，gStore是直接開發面向RDF知識圖譜數據的Native的知識圖譜數據存儲和查詢系統（Native RDF圖數據庫系統），考慮RDF知識圖譜管理的特性，從數據庫系統的底層進行優化[1]。它維持了原始RDF知識圖譜的圖結構，數據模型是有標簽、有向的多邊圖，每個頂點對應著一個主體或客體。它將面向RDF的SPARQL查詢轉換為面向RDF圖的子圖匹配查詢，利用其所提出的基于圖結構的索引（VS-tree）來加速查詢的性能[1]。

gStore支持復雜的SPARQL查詢及有效的增刪改操作，支持W3C定義的SPARQL 1.1標準，包括含有Union、OPTIONAL、FILTER和聚集函數的查詢;支持有效的增刪改操作。同時，gStore支持海量三元組規模的RDF知識圖譜的數據管理任務，單機可以支持5Billion（五十億）三元組規模的RDF知識圖譜的數據管理任務。分布式版本支持百億邊規模的分布式可擴展的部署模式[2]。由此非常有利于知識圖譜的優化研究。

1.3 ?待解決問題

（1）由于不同醫療知識圖譜的知識來源廣泛，構建目的和方式也不同，使得單個知識圖譜內存在知識質量低下、知識描述缺失等問題;不同知識圖譜間又存在知識大量重復，異構性強等問題，給實體對齊算法的精度提升帶來了困難。因此需要解決面向知識融合過程中信息缺失導致的實體對齊精度不高的問題。

（2）隨著醫學知識圖譜不斷地發展，越來越多大規模的醫學知識圖譜被構建出來。且知識圖譜的規模不斷增長，知識對齊算法的計算復雜度會呈現二次增長，因此，面向大規模醫學知識圖譜的高效處理問題有著重要的研究意義。

（3）醫學知識圖譜作為一種復雜的多關系圖，含有豐富的圖結構信息。而傳統知識圖譜補全的方法由于只考慮三元組的內部信息，而造成補全精度不高的問題。因此，如何更高效的利用圖結構信息是進一步擴展圖神經網絡方法在知識圖譜補全應用的關鍵點。

（4）當前動態知識圖譜僅利用節點本身的結構信息，未能利用動態變化過程中的時序信息，造成表示精確度不高的問題;未考慮節點對相鄰節點的傳播影響，造成誤差在時間序列中不斷積累，從而影響最終表示，這是信息變化傳播不充分的問題;同時，在更新知識圖譜時，每次改變都需要對全局節點全部進行訓練，造成更新代價大的問題。

2 ?大數據驅動下醫學知識圖譜構建

通過對大量的參考文獻進行閱讀、分析以及總結，將醫學知識圖譜構建的全流程總結為五個核心流程：醫學數據采集、醫學知識抽取、知識融合、構建圖譜、知識更新。 在醫學領域知識圖譜構建過程中存在著與之相對應的大數據處理流程，包括數據源與數據采集、數據處理和數據更新、以及支撐醫學知識圖譜構建全生命周期的數據存儲。

下面簡單歸納概括醫學知識圖譜構建過程中使用的大數據技術。醫學知識圖譜的數據主要來自網絡，通過爬蟲技術把信息抓取到HDFS或MySQL中，其他醫學數據源（如部分標準醫學數據庫等）通過Sqoop導入HDFS或MySQL中，然后使用MapReduce、Spark等技術對數據進行處理，處理后的數據導入Hive、Hbase等，最后使用Java、HiveQL、R及Spark等進行數據分析與展示[3]。詳細的圖譜構建中大數據技術的使用將滲透在后文圖譜構建生命周期的各個環節之中。

2.1 ?醫學數據采集

如今，醫療信息技術飛速發展，醫學數據數量急速增加，同時還有新知識不斷產生，需要利用大數據技術進行數據源與數據采集。醫學數據源主要分為三類，包括非結構化的文本數據，半結構化的表格、網頁以及部分醫療信息系統的結構化數據。由于構建醫學數據圖譜所需的數據大多來源于網絡，所以需要借助爬蟲來獲取，本文擬采用的方法是基于Scrapy[4]框架實現爬蟲，獲取網絡上的醫學數據信息。此外，除了完成原始數據的采集，在數據采集過程中還通過一種基于百科類網站爬蟲的同義實體擴充方法，構建一個準確且豐富的醫學同義詞庫，以輔助實現知識融合中的實體鏈接[5]。

醫學數據信息種類繁多，存儲方式不一，因此采集來的醫學數據信息有可能存在知識錯誤或者知識描述缺失等問題，尤其是對于非結構化的數據，這些來源于網絡的純文本數據通常需要使用自然語言處理（Natural Language Processing，NLP）技術進行預先處理。為了解決醫學數據中可能出現的問題，需要用到ETL技術（數據抽取、轉換、加載），而Hive作為一個可靠的ETL工具，在高效性、擴展性、容錯性等方面的表現特別突出，進行數據預處理將原始數據轉換為適合對其進行分析的數據模式對于保證數據質量起到了非常關鍵的作用[6]，這個步驟是是基于Hive完成的，是從數據采集向信息抽取的過渡流程。

Hive是基于Hadoop的數據倉庫工具，通過Hive可以使用傳統的RDBMS的SQL語法來實現就HDFS的數據的ETL和數據模型的構建。并且Hive也支持Spark的計算引擎接口和分析展示的R包接口（RHive）來獲取Hive構建好的模型表及邏輯。

2.2 ?醫學知識抽取

醫學知識抽取通過人工或自動化技術從半結構化和非結構化數據中抽取出可用的知識單元，這對應著大數據技術中的數據處理，實際上就是基于Spark完成醫學數據非（半）結構化向結構化的轉化。

原始數據采集完成進入HDFS后可能存在諸多問題，需要對數據進行預處理[6]，可以基于Spark調用機器學習模型完成實體、關系、屬性的抽取完成醫學數據非（半）結構化向結構化的轉化。Spark是在進行大規模數據處理時的高效引擎，Spark數據計算在內存中完成，有效地解決了實時性問題[7]。同時，Spark可以很好地和不同的數據源進行整合，比如HDFS、HBase、Cassandra、S3等，充分利用Spark計算引擎的特性[7]。

非（半）結構化數據向結構化數據轉化的本質其實就是通過自然語言處理技術，從網絡數據中大量的純文本內容完成實體抽取、關系抽取和屬性抽取。

（1）實體抽取從文本數據集中識別提取出命名實體，如醫學文本中的疾病名、藥物名、癥狀名等。

（2）關系抽取提取出實體之間的關聯關系，例如醫學中的疾病臨床表現、疾病多發人群等，通過這些關系將一系列離散的醫學實體聯系起來形成網狀的知識結構，從而解決醫學實體間語義鏈接的問題。

（3）屬性抽取則是從多種數據源中采集醫學實體的屬性信息來構造醫學實體的屬性列表，實現對醫學實體的完整勾畫。例如藥品的屬性包括適應癥、不良反應、禁忌和慎用等。

基于Hive完成數據處理和基于Spark完成醫學數據非（半）結構化向結構化的轉化就可以得到較為完備的醫學數據。

2.3 ?知識融合

由于醫學數據庫中的知識來源復雜，存在知識質量良莠不齊、不同數據源知識重復、知識間關聯關系模糊等問題。知識融合就是完成對不同來源的知識在同一框架規范下進行數據整合、消歧、加工、推理驗證、更新等操作，對數據進行剔粗取精，增強知識庫內部的邏輯性和表達能力。知識融合的三個關鍵部分是實體對齊、實體鏈接和關系推演。

（1）實體對齊用于消除異構數據中的實體沖突、指向不明等不一致問題，醫學實體在不同的數據源中存在嚴重的多元指代問題[8]，例如西藥頭孢哌酮鈉，通用名稱為頭孢哌酮鈉，商品名稱可以為先抗、先鋒必素、頭孢氧哌唑、先鋒必、先鋒哌酮、氧哌羥苯唑、頭孢菌素鈉、先鋒哌唑酮、先鋒松等，因此實體對齊是醫學知識融合中非常重要的一步。

（2）實體鏈接的主要作用是利用醫學知識庫中的實體對從醫療大數據的文本中獲取的實體指代進行消歧，然后將對應的醫學實體鏈接到醫學知識庫中的對應實體。

（3）關系推演的主要目標是將從醫學大數據文本中獲取的實體關系動態擴展到知識庫中，有助于提高醫學知識庫的時新性、覆蓋能力等，實現關系的擴充。

根據是否使用標記數據，知識融合方法可以分為有監督方法和無監督方法[9]。有監督方法是從標記數據中學習模型以進行實體對齊，主要分為基于屬性比較的方法、基于聚類的方法和主動學習方法。無監督方法僅依靠少量種子集或不依靠種子集就可完成模型的學習，主要分為傳統的無監督方法和知識嵌入方法。

針對上文提出的醫學知識圖譜構建過程中待解決的有關知識融合的科學問題，本文提出了相應的解決方向設想。擬采用基于高效圖神經網絡的知識融合模型來解決知識融合過程中信息缺失導致的實體對齊精度不高的問題和大規模醫學知識圖譜的高效處理問題。

2.4 ?圖譜構建

圖譜構建就是基于之前得到的關系型數據庫模式轉換成圖數據庫模式。下圖是一個簡單的關于糖尿病所構建的醫學知識圖譜，圖中簡單表示出了實體以及實體與實體之間的關系，如糖尿病臨床表現為多飲、多食、多尿、疲乏無力等，糖尿病多發于老年人群體。

2.5 ?知識存儲更新與補全

數據存儲與更新支撐著醫學知識圖譜構建的整個生命周期，在數據的更新過程中可以將數據劃分為四個等級。其中，采集來的原始醫學數據是一級數據，經過Hive處理過的三元組數據是二級數據，Hive作為一個數據倉庫的客戶端工具，本身是不保存數據的，它所操作的表數據都存放在HDFS中[10]。構建出的醫學圖譜的實體、關系、靜態屬性以及動態屬性是三級數據，圖譜更新后的更新類型及三元組數據是四級數據[5]，其變遷流程以及存儲位置如下圖所示。

知識圖譜補全是通過預測出三元組中缺失的部分，從而使知識圖譜變得更加完整。知識圖譜補全可以分為實體預測以及關系預測任務。靜態知識圖譜補全是補全已知實體之間的隱含關系或補全存在于知識圖譜中的實體屬性。動態知識圖譜補全是能夠建立知識圖譜與外界的關聯，從而擴大知識圖譜的實體集、關系集以及三元組集。利用靜態知識圖譜補全可以對知識圖譜中的實體屬性和關系進行補全;現有的動態知識圖譜補全能對新增實體的知識圖譜中的數據進行更新。

針對上文提出的醫學知識圖譜構建過程中待解決的有關醫學知識圖譜補全的科學問題，本文提出了相應的解決方向設想。采用結合對抗學習和注意力機制的多關系圖神經網絡知識補全模型來解決知識圖譜補全精度不高和結構信息利用不合理問題，采用基于共享權重機制多關系圖神經網絡知識圖譜補全模型來解決動態知識圖譜表示不精確、信息變化傳播不充分和更新代價大的問題。

3 ?醫學知識圖譜的應用

知識圖譜在醫學領域的應用有助于提高醫療智能化的水平，目前醫學知識圖譜主要應用于臨床決策支持系統、醫療智能語義搜索引擎、醫療問答系統[11]、醫學知識科普等方面。

3.1 ?醫學知識推理

人工智能技術的發展和應用，提高了醫學知識圖譜的構建效率和知識推理的準確率。醫學知識圖譜必須處理大量重復矛盾的醫學信息，例如即使對于相同的疾病，醫生也要根據患者病情狀況作出不同的診斷[12]，給出不同的解決方案，人工智能擁有從海量數據中挖掘有用信息的天然優勢，知識推理注重知識與方法的選擇和運用，能夠推斷出缺失事實完成對問題的求解[8]。

3.2 ?應用分析

利用醫學知識圖譜可以輔助醫療行業進行大數據分析與決策，根據患者癥狀以及檢查結果等數據自動生成診斷和治療方案，供醫學專業人員參考，同時還可以對醫生的診療方案進行智能化分析，有效減少誤診情況的發生[11]。

同時，從醫學知識圖譜中檢索并查詢相關的實體對、實體關系及屬性進行擴展查詢[11]，從而改善醫療信息搜索和查詢結果的準確性，可以實現以自然語言形式為用戶提供準確的問題的解答，輔助患者在就診前得到相關的醫學知識科普，幫助患者找到合適的醫生，同時還可以一定程度上避免由于醫學知識專業性強、醫患信息溝通困難而導致的醫患關系緊張，可有效改善患者就醫體驗， 提高后續醫療服務的精準度和效率與患者就診滿意度[13]。

4 ?展望

知識圖譜具有強大的語義處理和開放獲取能力，是對語義網和知識庫的改造和升華。醫學知識圖譜將醫學知識與知識圖譜結合起來，推動醫學數據的智能化和自動化處理[14]，定會為醫療行業的發展帶來新的契機。

知識圖譜在醫學領域的應用為醫療行業帶來了新的機遇，同時也帶帶來了一系列挑戰。目前，醫學知識圖譜構建的關鍵關節還面臨著一些巨大的困難和挑戰。例如，目前的應用于醫學文本抽取的算法普遍存在著準確性低、限制條件多、擴展性差等問題，醫學知識來源的多樣性導致醫學實體在不同的數據源中存在嚴重的多源指代問題，動態醫學知識圖譜表示不準確、信息變化傳播不充分和更新代價大的問題，如何利用醫學知識圖譜可視化為醫生尋求最佳的診療展示方案使病人理解展示結果也是一個挑戰。

醫學知識圖譜是大數據、人工智能與醫學的結合，在未來必將成為醫療行業與大數據智能研究的熱點和前沿問題。

參考文獻

[1] gStore團隊. gStore系統使用手冊[OL]. （2019-07-29） [2019-10-11]. http：//gstore-pku. com/pcsite/index.html.

[2] 北京大學王選計算機研究所. gStore是什么？[OL]. （2019- 06-06） [2019-10-11]. http：//gstore-pku.com/pcsite/index.html.

[3] 張魁， 張粵磊， 劉未昕， 吳茂貴. 自己動手做大數據系統[M]. 北京： 電子工業出版社， 2016： 22.

[4] Guogang Zhang. Python Network Source Automatic Evaluation System[A]. Proceedings of 2016 4th International Conference on Electrical & Electronics Engineering and Computer Science （ICEEECS 2016）[C]. （Computer Science and Electronic Technology International Society）， 2016： 5.

[5] 王寧. 基于Web的領域知識圖譜構建平臺的研究與實現[D]. 北京： 北京郵電大學， 2019： 36-42.

[6] 張魁， 張粵磊， 劉未昕， 吳茂貴. 自己動手做大數據系統[M]. 北京： 電子工業出版社， 2016： 152-154.

[7] 張魁， 張粵磊， 劉未昕， 吳茂貴. 自己動手做大數據系統[M]. 北京： 電子工業出版社， 2016： 281-282.

[8] 賈辛洪. 醫學知識圖譜構建技術與研究進度[OL]. （2019- 08-21）[2019-10-11]. http：//blog.csdn.net/jiaxinhong/article/details/ 81865768.

[9] Guan S， Jin X， Jia Y， et al. Self-learning and embedding based entity alignment[C]//2017 IEEE International Conference on Big Knowledge （ICBK）. IEEE， 2017： 33-40.

[10] 張魁， 張粵磊， 劉未昕， 吳茂貴. 自己動手做大數據系統[M]. 北京： 電子工業出版社， 2016： 217.

[11] 侯夢薇， 衛榮， 陸亮， 蘭欣， 蔡宏偉. 知識圖譜研究綜述及其在醫療領域的應用[J]. 計算機研究與發展， 2018， 55（12）： 2587-2599.

[12] 袁凱琦， 鄧揚， 陳道源， 張冰， 雷凱. 醫學知識圖譜構建技術與研究進展[J]. 計算機應用研究， 2018， 35（07）： 1929-1936.

[13] 修曉蕾， 吳思竹， 崔佳偉， 鄔金鳴， 錢慶. 醫學知識圖譜構建研究進展[J]. 中華醫學圖書情報雜志， 2018， 27（10）： 33-39.

[14] 劉雷. 臨床診斷決策需要知識圖譜的“供養”[J]. 張江科技評論， 2019（04）： 34-36.

[15] 吳運兵， 陰愛英， 林開標， 余小燕， 賴國華. 基于多數據源的知識圖譜構建方法研究[J]. 福州大學學報（自然科學版）， 2017， 45（03）： 329-335.

[16] 楊林朋， 董一超， 趙祖桉， 崔雪寧， 劉新奎. 我國醫學信息學領域的研究現狀及其可視化分析[J]. 中國衛生產業， 2019， 16（22）： 160-164.

[17] 李紅艷， 皇甫慧慧. 基于知識圖譜的全科醫生研究可視化分析與展望[J]. 中國全科醫學， 2019， 22（27）： 3387-3394.

[18] 郁小玲， 張鐵山， 吳彤， 等. 基于兩位一體的中文電子病歷命名實體識別[J]. 中國衛生信息管理雜志， 2017， 14（4）： 552-556.

[19] 康準， 王德軍. 基于知識圖譜的生物學科知識問答系統[J]. 軟件， 2018， 39（02）： 7-11.

[20] 王雪鵬， 劉康， 何世柱， et al. 基于網絡語義標簽的多源知識庫實體對齊算法[J]. 計算機學報， 2017（03）： 169-179.

[21] 林海倫， 王元卓， 賈巖濤， 張鵬， 王偉平. 面向網絡大數據的知識融合方法綜述[J]. 計算機學報， 2017， 40（01）： 1-27.

[22] 擴展知識圖譜上的實體關系檢索[J]. 王秋月， 覃雄派， 曹巍， 覃飆. 計算機應用. 2016（04）

[23] 朱國丞. 基于大數據平臺的知識圖譜存儲訪問系統的設計與實現[D]. 東南大學， 2018.

[24] 張龍斌. 面向成果轉化的知識圖譜研究及應用[D]. 杭州電子科技大學， 2018.

[25] 李涓子， 侯磊. 知識圖譜研究綜述[J]. 山西大學學報（自然科學版）， 2017， 40（03）： 454-459.

[26] 方陽， 趙翔， 譚真， 楊世宇， 肖衛東. 一種改進的基于翻譯的知識圖譜表示方法[J]. 計算機研究與發展， 2018， 55（01）： 139-150.

[27] 聶莉莉， 李傳富， 許曉倩， 朱川川， 徐志鵬， 武紅利. 人工智能在醫學診斷知識圖譜構建中的應用研究[J]. 醫學信息學雜志， 2018， 5（6）： 7-12.

[28] 阮彤， 孫程琳， 王昊奮， 方之家， 殷亦超. 中醫藥知識圖譜構建與應用[J]. 醫學信息學雜志， 2016， 37（4）： 8-13.