基于知識圖譜的醫學智能問診系統的研究與實現

摘要：為緩解醫療資源緊缺的現狀，設計基于知識圖譜的醫學智能問診系統。以圖結構的形式將醫療病癥信息存儲到Neo4j圖數據庫中構建知識圖譜，并詳細闡述基于知識圖譜的醫學智能問診系統設計方案與具體功能實現方案。該系統可通過有效的醫療病癥知識抽取，生成醫學知識圖譜，在醫生就診時提供輔助建議提高醫生問診效率，為用戶提供問診服務方便患者及時疾病咨詢治療意見，并分析用藥建議以及醫生診療結果，為醫生對患者疾病診斷后的用藥方向奠定基礎。

關鍵詞：知識圖譜；Neo4j圖數據庫；智能問診；醫療病癥

中圖分類號：TP311 文獻標識碼：A

文章編號：1009-3044（2025）02-0026-04 開放科學（資源服務） 標識碼（OSID） ：

0 引言

根據《中國慢性病報告》一文中的預測數據顯示，到2030年，我國65歲以上老年人口數量預計將增至2.4億[1]。面對這一嚴峻的趨勢，我國在衛生資源與健康環境方面仍存在不足，特別是醫療資源分配不均、布局結構不合理等問題尤為突出，嚴重影響了醫療服務的質量。在此背景下，智能問答系統作為自然語言處理研究中一項十分重要的研究項目，其重要性日益凸顯。它能夠超越傳統搜索引擎的局限，以更加迅速、精煉且精準的方式直接響應并提供用戶所需的答案[2]，極大地提升了信息獲取的效率。

近年來，社會快速發展，科技不斷進步，在線智能問診系統受到了越來越多的關注。系統為患者和醫生提供了遠程交流的新方式，與傳統的線下問診模式相比，在線問診能克服許多弊端，比如不受時間地點的限制、減少患者的等待時間、降低了交叉感染風險等，為醫療服務帶來了革命性的變革。然而，目前大多數醫生在智能問診平臺上工作主要是利用業余時間，導致回復的即時性成為一大瓶頸[3]。

為了更好地滿足廣大病患需求以及緩和就醫過程中的煩瑣壓力，本文構建了一個基于知識圖譜的醫學智能問診系統。該系統采用知識圖譜技術，通過構建醫學知識圖譜數據庫，實現對醫療信息的精準匹配與高效檢索。這不僅優化了醫療資源的配置，還提高了醫療服務的效率與質量，為患者提供一個更加便捷、高效的在線問診環境。

1 醫學智能問診系統需求分析

1.1 醫學診療書籍利用價值低

醫學診療書籍中蘊含著豐富的醫學理論知識、臨床經驗和科研成果，它們不僅是醫學教育的寶貴資源，還是臨床實踐和科研創新的重要基石。如今信息化和數字化浪潮席卷，醫學診療書籍的利用方式和方法仍面臨諸多挑戰，如信息檢索不便，使得醫生和學者難以快速查詢到所需資料；知識更新滯后，導致書中內容可能難以適應目前醫學發展；跨領域知識整合難度大，限制了醫學知識體系的全面構建與深度挖掘。

充分挖掘并提升醫學診療書籍的利用價值，通過人工智能技術對其進行智能分析和利用已成為必然趨勢[4]。人工智能技術能夠對醫學診療書籍進行知識抽取，為系統的智能問診功能構建圖數據庫，以便從數據庫中快速檢索到相關信息。醫學智能問診系統為臨床問診提供了強有力的智能輔助，助力醫生精準制定診療方案，極大地提高了醫學診療書籍的利用價值。

1.2 醫學領域知識更新迅速

醫學領域的知識和技術日新月異，新的治療方法不斷涌現。傳統的醫學診療書籍面臨著顯著挑戰，因其更新周期較長，往往難以迅速反映最新的醫學進展。這種滯后不僅制約了醫生在診斷和治療上的創新能力，還可能對患者的治療效果和康復進程產生不利的影響。因此，醫學智能問診系統的研發顯得尤為關鍵。

醫學智能問診系統需要具備強大的知識更新能力，它能夠實時或定期地接入并整合最新的醫學研究成果和臨床實踐指南。通過自動化的數據收集、整理與分析流程，系統能夠迅速將最新的醫學數據轉化為詳盡的知識圖譜，才能確保在診療過程中為患者提供基于最新醫學知識的診療建議，從而優化治療決策，提升醫療質量。

1.3 病患就診需求大

隨著人口老齡化和慢性病發病率的逐步上升，病患就診需求不斷增加，但醫療服務資源有限，導致出現患者等待時間長、就醫體驗差、排隊人數多等問題[5]。傳統就診模式已難以滿足患者日益增長的醫療需求。

在此背景下，在線問診應運而生，病患對在線問診的意愿大部分都是正向的，人們普遍認為在線問診系統能提高問診效率[6]。在線問診不僅能節省患者的時間和精力，還有效緩解了醫院接待患者的壓力。通過在線問診，患者可以隨時隨地咨詢醫生，并及時獲得治療建議。同時，在線問診還能幫助患者更好地了解自己的病情，提前做好相關準備，使實際就診過程更加順利。

1.4 醫生問診效率低

當前醫療工作中，面對持續攀升的患者數量和日益復雜的疾病種類，醫生們在問診過程中需要對每位患者進行細致的詢問與對病情深入的剖析，因此需要耗費大量的時間和精力。同時，人為因素如醫生長時間工作造成的疲勞、信息遺漏等可能導致誤診或漏診，影響醫療服務質量。

引入智能輔助問診工具，如智能預問診系統[7]。通過高度集成的算法與數據分析能力，為醫生提供一站式的診斷輔助，確保診斷的精準性與全面性，還能降低誤診率和漏診率，極大地提高了醫生問診效率。為患者帶來更為高效、優質的服務體驗，提升了醫療服務質量。

1.5 醫療資源分配不均

我國醫療資源的分配不均一直是一個突出問題，地域和機構間的差異導致一些區域或特定的醫療機構面臨資源短缺的困境，這些地區的患者難以獲得必要的醫療服務。通過遠程醫療的方式，系統能夠向資源匱乏的地區或機構提供高質量的醫療服務，有效改善醫療資源的分配不均。此外，智能問診系統能夠依據患者對癥狀的描述進行精準的智能分診，不僅能優化了患者就醫的流程，還能提高就醫的合理性。醫學智能問診系統的應用能極大地提升偏遠地區醫療服務的質量和效率，使患者得到更加合理的醫療引導。

2 系統設計

2.1 系統架構

基于知識圖譜的醫學智能問診系統包含Web端和App 端。Web 端為后臺管理系統，專為管理員設計，支持通過電腦瀏覽器實現對醫生資料、患者檔案、病歷信息、就診歷史以及核心知識圖譜等關鍵數據的全面管理，提升管理效率，確保醫療信息的準確性與可訪問性。App端分別設計醫生端與患者端，采取了雙界面策略，可精準對接不同用戶群體的特定需求，提升雙方的使用體驗與滿意度。通過分離醫生和患者的交互界面，增強用戶個性化、高效且直觀的服務體驗感。系統架構如圖1所示。

2.2 系統實現

本系統基于真實且權威的醫學診療記錄構建知識圖譜模型，利用Neo4j來實現圖譜的搭建與存儲。Web端調用Neo4j數據庫中的數據實現其可視化展示，使管理員能夠直觀地理解和管理醫學知識。App 端集成知識圖譜，為用戶提供基于現有知識圖譜的智能輔助診斷服務。它能夠根據用戶的癥狀和病史，快速準確地提供可能的診斷結果，幫助用戶更好地理解和管理自己的健康狀況。此外，系統還能夠根據最新的醫學研究更新知識圖譜，確保用戶始終獲得最新、最準確的診斷信息。

2.3 核心模塊

1） 醫學知識圖譜構建模塊

通過公開的醫療數據集獲取醫學臨床診療記錄，如面向中文電子病歷的命名實體識別數據集（https：//tianchi.aliyun.com/dataset/92085）。此外，利用Python 網絡爬蟲技術爬取醫學文獻數據，如萬方醫學網（https：//med.wanfangdata.com.cn/）、中國生物醫學文獻數據（http：//www.sinomed.ac.cn/）。結合《當前醫學診斷與治療手冊》《哈里森內科學原理》等醫學書籍獲取數據。針對結構化數據直接轉換，將其標準化為三元組格式；對于非結構化數據，融合命名實體識別與關系抽取技術，將其格式化為統一的三元組格式表示。再利用知識融合技術，清晰界定實體與關系的含義，剔除模糊、冗余及錯誤信息，有效應對知識圖譜中的異構挑戰。將處理好的三元組數據導入Neo4j圖數據庫中，構建全面、準確的知識圖譜體系。

2） 醫學知識圖譜可視化

本研究構建的醫學知識圖譜中，匯聚了大量的醫學內容，通過精細地組織上百個核心節點與上千條復雜關系，構建一個涵蓋理論、法則、藥物等多維度的綜合醫學知識框架。該知識圖譜以三元組的形式展現醫學領域內各元素間的內在聯系，有利于人們進一步認識和了解醫學知識，為醫學知識挖掘與發現開辟一條更為直觀、高效的路徑。對于知識圖譜的可視化展示，系統會根據管理員輸入的實體名稱展示一個由該實體節點及其直接相連（距離為1） 的所有節點共同構成的知識圖譜視圖。

3） 醫學知識圖譜智能問診模塊

在智能問診模塊的應用場景中，醫生操作時，系統自動整合患者的病歷資料作為查詢基礎，然后生成輔助診斷建議，直接反饋給醫生，提升了診療效率。普通用戶則通過模擬對話的方式輸入問題，系統利用智能問診模型即時分析并返回個性化解答，增強了用戶體驗。

智能問診流程的核心環節如下所示。

（1） 文本預處理：利用Python的jieba分詞，對輸入的查詢語句進行精細化分詞處理，將連續文本拆解為具有邏輯關聯的詞匯序列。

（2） 關鍵詞提取：借助命名實體識別模型，精準識別出用戶問題中的核心關鍵詞或短語，后續分析與匹配提供關鍵信息。

（3） 問題模板匹配：采用模板匹配策略，將預處理后的用戶問題與預設的問題模板庫進行相似度比對，選取匹配度最高的模板作為處理基準，確保問題能被準確理解和解析。

（4） 數據庫查詢與結果返回：利用Cypher查詢語言，在Neo4j圖數據庫中精確查詢，根據匹配到的問題模板及關鍵詞，檢索相關知識圖譜，將查詢結果呈現給用戶或醫生。

從用戶輸入到結果輸出的具體流程示意圖如圖2 所示。

3.1 系統開發工具

基于知識圖譜的醫學智能問診系統采用了多種編程語言與技術棧，包括Java、Python和HTML、JavaS?cript用于后端邏輯處理和實現前端交互設計，以及Cypher 作為Neo4j圖數據庫的查詢語言。同時利用Android Studio 開發移動端，PyCharm 和IntelliJ IDEA 為Python和Java項目提供開發環境，Neo4j作為知識圖譜的存儲與查詢工具。

3.2 醫學知識圖譜構建模塊

使用醫學臨床診療記錄、醫學書籍、醫學文獻數據作為知識來源，收集其中的結構化數據、半結構化數據、非結構化數據作為數據集。對疾病的名稱、癥狀、診斷方法、治療措施、疾病分類等使用基于BERTBiLSTM-CRF 算法進行文本標注，部分實體類別見表1。

采用基于BiLSTM和ResCNN的實體關系抽取混合模型BiLSTM_SE_ResCNN，可以在已識別的實體基礎上從文本中提取實體間關系。首先，對醫學實體構造屬性列表并對實體進行完整描述，如藥品的屬性包括功效、服用方法等。然后，對來自不同來源的同一實體的屬性進行知識融合。若在不同知識庫中存在多個實體表示同一對象，可以將相同的實體對齊合并以完成知識融合。若存在由于數據多源造成的同名異義問題，可通過實體消歧后得到有效的三元組。最后，將這些三元組存儲到Neo4j圖數據庫中，即可構建知識圖譜[8]。

3.3 醫學知識圖譜可視化模塊

管理員在系統Web端輸入特定的實體標識，如“神經衰弱”。系統會利用Cypher查詢語言在預先構建好的知識圖譜數據庫中搜尋與“神經衰弱”相關的全部信息，信息包括但不限于癥狀、病因、治療方法等。檢索完成后，系統再通過ECharts可視化工具，將復雜的知識圖譜數據用直觀、易懂的圖形表示，管理員可以快速理解“神經衰弱”在知識圖譜中的位置和關聯，如圖3所示。得到的知識圖譜清晰展示了“神經衰弱”與其他醫學實體之間的聯系，為管理員提供了有效的參考信息。知識圖譜可視化工具不僅提高了工作效率，也確保了數據的準確性和完整性。這些操作極大地提高了管理員對知識圖譜的理解和掌握能力。

3.4 醫學知識圖譜智能問診模塊

用戶輸入“我有點感冒了怎么辦？”詢問時，問診系統迅速提取“感冒”作為關鍵詞，并嘗試將其與預設的問題模板——“疾病治療方案”進行匹配。因為“感冒”表述較為寬泛，不足以直接確定疾病的具體名稱，問診系統檢測到信息不完整。

為了彌補該缺失，該系統智能地生成一系列補充問題獲取患者的個人信息、更詳盡的癥狀描述等關鍵信息，這有助于系統構建更全面的患者畫像，從而提高診斷的準確性。接收到患者的深入回答后，系統運用先進的自然語言處理技術，深入解析新增信息中的關鍵字。經過綜合分析與比對，系統初步判斷患者所患疾病為“上呼吸道感染”。基于這一準確診斷，系統自動生成并提供針對性的治療藥物建議，為用戶提供了及時、有效的健康指導治療建議。如圖4 所示，呈現了一個具體的智能問診過程。

4 總結

本文從當前醫療資源的現狀入手，探討了醫學問診過程中存在的挑戰，然后再深入到實現醫學智能問診系統的迫切需求，并創新性地利用知識圖譜來開發智能問答功能，成功構建了一個基于知識圖譜的醫學智能問診系統來解決該問題。該系統通過即時、精確的問題響應機制，加速了醫生的問診流程。同時，依托于豐富可信的醫學診療記錄數據，該系統能夠為醫生提供智能化診斷的輔助建議，極大地提高了診斷的精準性。此外，該系統還能為患者提供基礎健康咨詢的功能，且能依據患者對癥狀的描述進行精準的智能分診。這有助于有效應對日常輕微疾病問題，減少患者就醫頻次，使患者得到更加合理和科學的醫療引導與服務，從而減輕醫療系統特別是醫生的工作負擔，促進醫療資源的合理配置與利用。

參考文獻：

[1] 齊小秋，王宇，孫靈芝，等.中國慢性病學報告[R].北京；中華人民共和國衛生部疾病預防控制局，中國疾病預防控制中心，2006：5-6.

[2] 李榮耀，徐倩，吳雨璐，等.基于《本草綱目》的多模態知識圖譜的構建研究[J].現代計算機，2022，28（13）：10-17，24.

[3] 李夢翔，許揚，陳磊.在線智能預問診系統構建與應用研究[J].醫學信息學雜志，2022，43（11）：73-77，88.

[4] 胡紅娟，周陽，匡澤民，等.醫學知識圖譜應用研究進展[J].醫學信息學雜志，2022，43（5）：30-33，39.

[5] 李紅梅，劉新，陳秋霖.手機醫院，能消除排隊長龍嗎？[N].人民日報，2014-11-04（008）.

[6] 宋妍锜.在線問診的用戶使用意愿和行為影響因素研究[D].北京郵電大學，2022.

[7] 丁勇，蔡秀軍，薛翀，等.基于大模型的智能預問診系統創新與實踐[J].中國信息化，2024（6）：68-69.

[8] 唐華，胡為，劉偉，等.基于知識圖譜的中醫醫案智能問診系統設計與實現[J].現代計算機，2023，29（19）：98-101.

【通聯編輯：王 力】

基金項目：湖南中醫藥大學本科生科研創新基金項目（項目編號：2023BKS081） ；湖南中醫藥大學2024 年省級大學生創新創業訓練計劃項目（項目編號：S202410541140） ；湖南中醫藥大學校級自然科學基金項目“融合深度學習的中醫醫案智能分析與知識發現研究”（項目編號：2022XJZKC016）