呼吸系統疾病知識圖譜的構建?

陳雪松 張明磊 王浩暢

（東北石油大學電氣信息工程學院 大慶 163318）

1 引言

知識圖譜，是谷歌2012年提出［2］的一種新型的數據表示方式，其目的是為了改善其下一代的搜索引擎。知識圖譜以實體為節點、關系為邊組成網狀結構，能夠清晰的表示數據之間的關聯信息，在智能問答等多方面展示出豐富的應用價值［14］。國內的搜狗和百度首先建立了通用領域知識圖。隨后，金融［3］、法律等垂直領域也開始構建領域圖譜。在醫療領域，文獻［4］參考萬方乙肝領域文獻，構建了乙肝疾病的知識圖譜，文獻［5］利用文本抽取等技術，構建了中醫藥知識圖譜，文獻［6］以人機結合的方式構建了中文醫學知識圖譜。近年來，國內科研人員紛紛致力于醫療知識圖譜的研究，但與國外相比，仍處于初步階段［7］。

呼吸系統疾病是一種常見的多發疾病，對人體危害極大，是中國十大死亡率疾病之一。本文根據自身需求，爬取了相關呼吸疾病數據，構建呼吸系統疾病知識圖譜，為患者提供自助查詢以及輔助醫療人員診斷治療。

2 知識圖譜的構建

2.1 體系架構

知識圖譜以圖結構的形式表示知識信息，描述了客觀世界的事物以及關系［11］。主要分為數據層和模式層［8］，有自頂向下和自底向上兩種構建方法［9］。為了保證醫療數據的準確性和規范性，本文采用自頂向下的方法構建呼吸系統疾病知識圖譜。首先參考醫學文獻構建了呼吸疾病詞典，然后通過該詞典從不同醫學網站爬取疾病數據，并根據實際需求構建了呼吸系統疾病本體，最后經過知識融合實現多源異構數據的鏈接，完成呼吸系統疾病中文知識圖譜的構建。知識圖譜構建架構如圖1 所示，共分為四個步驟，通過循環迭代實現知識圖譜的持續更新。

圖1 呼吸系統疾病知識圖譜構建架構

2.2 本體構建

本體構建的主要目的是構建完整的呼吸系統疾病知識體系，主要分為人工構建、自動構建、半自動構建三種［10］。由于呼吸系統疾病數據規模不大，為了得到高質量、高準確度的本體，本文采用人工構建的方法構建呼吸疾病本體。首先參考了百度百科以及相關醫學文獻［15］，根據實際的應用需求定義了七種實體類型：疾病、科室、癥狀、診斷檢查、飲食、藥品、在售藥品；九種實體之間關系：在售、宜吃、忌吃、屬于、常用藥品、推薦藥品、推薦食物、疾病癥狀、疾病并發癥；以及各實體的屬性，例如疾病屬性有病因、簡介、治療周期、別名、易感染人群、傳播方式、預防、治療方法等。本文采用Protégé軟件構建呼吸系統疾病本體，如圖2為呼吸疾病本體。

圖2 呼吸系統疾病本體

2.3 數據獲取

在醫療領域缺少開源的數據庫，本文采用分布式爬蟲技術爬取垂直型醫療網，如39 健康網、尋醫問藥網等網站的醫療數據。共爬取了478 條呼吸疾病數據，包含了所有的呼吸疾病數據以及相關藥品屬性信息。爬取到的疾病數據以JSON 格式保存，并進行了初步清洗，對數據重新審查和校驗，目的在于刪除非法字符，糾正存在的錯誤，保證數據的一致性。

2.4 知識融合

知識融合［16］是將同源異構數據相連接。主要分為實體對齊和實體鏈接［12］兩個方面。因為呼吸疾病數據是根據疾病詞典獲得，所以實體對齊部分可省略，采用屬性對齊替換。首先根據構建好的本體進行屬性對齊，然后計算各屬性的相似度，最后根據屬性相似度計算實體相似度，完成知識融合。

2.4.1 屬性對齊

在呼吸系統疾病中，屬性種類不多，可以根據呼吸疾病本體來構建屬性映射表，將同一類實體的同一屬性的不同表達方式對齊。表1 是不同來源數據的屬性對齊映射。再通過本體定義的屬性類型將各屬性值規范化處理，主要規則有：1）統一所有數值型屬性值的度量單位；2）保留區間型屬性值的上限和下限；3）去除字符串屬性和文本類屬性中的錯誤字符；4）對于所有的屬性值的缺失值均以NAN表示。

表1 部分屬性對齊映射

2.4.2 屬性相似度

完成屬性對齊后，計算不同類型屬性相似度。由于疾病實體包含了大量的別名信息，可將實體名稱與別名合并成集合來計算相似度。假設有x和y兩個實體，實體的名稱集合為S和T。

1）實體名稱集相似度

通過計算集合S和T的交集元素在S，T的并集中所占的比例、衡量兩個集合的相似度。len(x,y)表示字符串屬性xattr、yattr最大公共子序列長度。

3）文本類型相似度

首先通過呼吸系統疾病詞典以及結巴分詞對文本類屬性進行分詞，然后根據TF-IDF（Term Frequency-Inverse Document Frequency，詞頻-逆文件頻率）找出文本的關鍵詞。最后，通過余弦相似度計算關鍵詞集合的相似度：

4）區間型屬性相似度

數值區間和時間區間屬性都可采用Dice 系數計算相似度，取值范圍在［0，1］：

其中|xattr∩yattr|是x和y區間屬性的交集，|xattr|和|yattr|分別表示x和y屬性中元素的長度。

2.4.3 實體相似度

根據得到的屬性相似度，采用加權平均的方法，得到最終的實體相似度［1］：

實驗結果采用準確率、召回率、F1 值進行評判，實驗結果：準確率為81.4%，召回率為61.5%，F1值70.1%。

至此，完成多源異構數據的知識融合。

3 圖譜的可視化與應用

3.1 可視化展示

本文采用Neo4j圖數據庫存儲［17］呼吸系統疾病三元組數據以及可視化展示，Neo4j 以屬性圖的的形式存儲數據節點，具有訪問速度快、性能高、輕量級等特點［18］。呼吸系統疾病中文知識圖譜存儲了共15763 條呼吸疾病三元組數據，包括疾病的簡介、癥狀、科室、治療周期、藥品以及檢查等關鍵數據信息。表2為主要實體類別統計數據表。

表2 主要實體類別統計數據表

呼吸系統疾病知識圖譜提供自助查詢。圖3是肺炎部分屬性查詢圖。患者通過圖譜查詢的肺炎常用藥品，包括阿莫西林顆粒，羅紅霉素膠囊等好評藥品。

圖3 肺炎部分屬性查詢圖

此外，呼吸疾病知識圖譜還可以根據患者的臨床表現，輔助醫生決策。例如，根據圖譜信息，為一位有“呼吸困難”“咳嗽”“發熱”等癥狀的患者，進行“血常規”“胸部平片”“支氣管舒張試驗”等檢查，判斷此患者是否患有“哮喘”疾病。

3.2 主要應用

醫療知識圖譜的構建形成了相應的醫療知識體系，解決了醫療領域數據爆炸的問題，使得人們面對大量數據時，能夠快速準確地獲取關鍵信息。醫療問答系統［13］是呼吸疾病知識圖譜的主要應用之一，將構建好的知識圖譜上的關系要素引入到問答過程中，解決了傳統問答模型對醫療領域知識利用不足的問題，方便患者了解自身病情、存儲藥物、調理身體。第二個應用是醫療決策支持系統，通過患者的臨床表現、病歷單、化驗報告等數據信息，為醫療人員提供智能診斷，分析醫生診斷方案，提升醫療質量、降低醫療風險。

4 結語

本文針對呼吸疾病醫療數據數據分布龐雜、難以深層次應用的問題。爬取了呼吸疾病醫療數據，通過計算不同屬性的相似度得出實體相似度，鏈接相同實體，完成知識融合。最后利用Neo4j 圖數據庫存儲呼吸疾病數據以及可視化展示，完成了呼吸疾病知識圖譜的構建。未來工作將繼續完善知識圖譜，以及研發基于呼吸疾病知識圖的問答系統等輔助診治系統。