徐美兰：深度运用驱动的医学常识图谱建立

导读:数研院近年来在知识图谱建设方面取得了丰硕的成果。今天分享我们在地图建设过程中的经验和体会，欢迎大家讨论交流。这次分享的题目是:深度应用驱动的医学知识图谱构建。主要内容包括四个方面:国内外医学知识地图发展、医学知识地图领域特点及应用需求；数字研究院医学知识图谱构建:模型建立，七巧板本体术语集构建，以及“慧智”图谱构建，医学知识图谱应用案例。

01

国内外医学知识地图的发展

1.知识地图概念

知识图谱的广义概念:作为一个技术体系，是指大数据知识工程的一系列代表性技术。

狭义的知识地图概念:知识地图作为一种知识表示形式，是一个大规模的语义网络，包含实体、概念以及它们之间的各种语义关系。下图中的二甲双胍知识图谱片段。

2.国外医学知识图谱

UMLS:美国国家医学图书馆(National 医学 Library)自1986年以来研发的集成医学语言系统，包括超级词汇、语义网络、专业词典和词汇处理工具。其规模:语义网络包含133种语义类型和54种语义关系。超级词库包含超过300万个概念，超过1300万个概念名称。

SNOMED CT:2002年1月，SnO med首次发布。由SNOMED RT和CTV3两个医学术语合并而成。SNOMED CT国际版每年1月和7月更新一次。SNOMED CT的核心结构是概念、描述(术语)和关系。其规模:目前包含19个语义类型，50多个语义关系，35万个概念，120万个描述(术语)，110万个关系。

3.国内医学知识图谱

CUMLS:中国医学科学院医学信息研究所基于UMLS开发的中文集成医学语言系统，包括医学词汇、语义网、构建工具和平台。其规模:共收录3万多个0 医学关键词，3万个导入词，10万个0 医学术语，30万个0 医学词汇材料。

医学知识服务体系:由中国医学科学院医学信息研究所建设，通过对资源的深度挖掘和关联分析，构建了知识图谱、知识情境分析等特色知识服务和应用。其规模:已发布疾病与药物知识图谱，其中疾病涵盖心脑血管疾病、呼吸系统疾病、免疫系统疾病、消化系统疾病、肿瘤等。

中医知识图谱:中国中医科学院中医信息研究所基于中医语言系统(TCMLS)构建了中医知识图谱。其类型包括:基于中医语言体系的知识图谱、中医美容知识图谱、中医养生知识图谱、中国临床知识图谱。

OpenKG:由中国中文信息学会发起的中文领域开放式知识图谱社区项目。其主要工作内容包括:OpenKG.CN(开放地图资源库)、cnSchema(中文开放地图模式)、Openbae(开放知识地图众包平台)。

02

医学知识地图的领域特征和应用需求

1.医学知识的特性

医学术语多样性:不同的知识源使用不同的术语来表达同一个概念。比如糖尿病也可以叫糖尿病、糖尿病、DM等。

精度高:医学知识专业化程度高，医学应用场景容错率低，所以医学知识图谱要求精度高。

复杂度高:医学是一门总结经验的学问。医学概念的内涵往往是丰富的，有些医学知识是复杂的，很难用简单的三元组来表达。

2.医学知识图谱应用场景

医学知识地图不同的应用场景有不同的需求，需要最大化的满足来提高地图的适用性。如下所示:

3.定制解决方案

为了满足行业深度应用的需求，在医学知识图谱的构建中要引入更多的定制化解决方案，如下图:

03

数学研究所医学知识图谱的构建

1.模型机构

医学领域的知识图谱专业性很强，所以业界通常采用自顶向下的方式，先构建图式，再提取知识。

研究院的医学知识图谱模式主要参考了Schema.org、UMLS语义网、cnSchema等。相关数据涵盖四个主要领域:疾病、药物、外科手术和检查。当然，在知识图谱构建过程中，我们会根据提取和应用的实际情况，不断完善和优化图式。数研院医学知识图谱于2019年8月首次发布了该图式。目前包含72种语义类型，493种语义关系。Schema的查询和下载地址为:http://schema.omaha.org.cn/class/Thing#.

用Schema指导构建Tangram 医学本体术语集和汇智医学知识图谱，完善医学知识表达体系。我们之所以在一个模型的指导下建立两个知识库，是为了解决不同的问题。Tangram用本体解决逻辑定义(即内涵定义)和层次关系相关的关系。“汇智”用语义网解决可能和经验关系，没有层级关系。详情请见下图:

2.七巧板本体术语集的构建。

从整体上构建本体术语集有六个步骤，分别是:

步骤1:确定领域类别。目前正在尝试构建医学知识图谱，满足临床诊疗需求。主要内容:疾病，症状和体征，外科手术，检查，药物，人体形态和结构，基因，医疗设备。

第二步:选择合适的知识来源。充分包括权威的知识来源，如当前的行业标准、教科书、指南等。，同时补充临床病历、互联网诊疗中的术语等。

第三步:整理出重要的术语。整理领域内的重要术语，领域专家对语义实体进行规范化，完成概念化。相关流程如下:

第四步:建立关系。Tangram 医学本体术语集的核心构建包括概念、术语、关系和映射。如下图所示:

充分保留知识源中已有的层次关系，通过机器推理和人工添加进行优化。挖掘知识源中的属性关系，通过机器推荐和人工添加进行补充。制定明确的映射规则，通过机器推荐和专家评审建立映射。

第五步:存储和浏览。关系数据库分为概念表、术语表、关系表、映射表进行存储，保留历史痕迹。术语浏览器可以实现术语集构建的快速搜索，并可以按需实现子集定制。参见如下关系操作:

步骤6:平台和工具支持。自主开发的知识库维护平台(CoWork)，内嵌术语集开发规则，支持多人协作。七巧板在CO中的功能如下: