胡紅娟 周 陽(yáng)

(南華大學(xué)附屬第一醫(yī)院護(hù)理部 衡陽(yáng) 421001) (南華大學(xué)護(hù)理學(xué)院 衡陽(yáng) 421001)

匡澤民 譚 玲

(首都醫(yī)科大學(xué)附屬北京安貞醫(yī)院高血壓科 北京 100029) (北京郵電大學(xué)計(jì)算機(jī)學(xué)院 北京 100876)

1 引言

《“健康中國(guó)2030”綱要》提出，鼓勵(lì)醫(yī)療衛(wèi)生機(jī)構(gòu)與互聯(lián)網(wǎng)合作，加強(qiáng)區(qū)域醫(yī)療衛(wèi)生信息資源整合及臨床、科研數(shù)據(jù)整合共享和應(yīng)用，支持研發(fā)醫(yī)療健康相關(guān)的人工智能技術(shù)。近年來(lái)各類(lèi)知識(shí)圖譜不斷涌現(xiàn)[1-3]，逐漸融入到醫(yī)學(xué)領(lǐng)域，醫(yī)學(xué)知識(shí)圖譜成為人工智能輔助醫(yī)療系統(tǒng)的基本組成部分[4]。知識(shí)圖譜將醫(yī)學(xué)知識(shí)與互聯(lián)網(wǎng)充分結(jié)合，探索科研數(shù)據(jù)整合共享和應(yīng)用的方法，為人工智能研發(fā)提供依據(jù)。2017年我國(guó)學(xué)科目錄進(jìn)行調(diào)整，首次出現(xiàn)知識(shí)圖譜學(xué)科方向。目前醫(yī)學(xué)是知識(shí)圖譜應(yīng)用最廣的領(lǐng)域之一，醫(yī)學(xué)知識(shí)圖譜應(yīng)用也是目前智能大數(shù)據(jù)的前沿研究問(wèn)題。

有學(xué)者[5]提出狹義的知識(shí)圖譜是一種大規(guī)模的語(yǔ)義網(wǎng)絡(luò)，包含實(shí)體、概念及其之間的各種語(yǔ)義關(guān)系。但與傳統(tǒng)語(yǔ)義網(wǎng)絡(luò)相比，知識(shí)圖譜具有規(guī)模巨大、語(yǔ)義豐富、質(zhì)量精良、結(jié)構(gòu)友好等特性。廣義知識(shí)圖譜則是指一種技術(shù)體系，指大數(shù)據(jù)時(shí)代知識(shí)工程的一系列代表性技術(shù)的總和?？偟膩?lái)說(shuō)，知識(shí)圖譜實(shí)質(zhì)是建立在語(yǔ)義網(wǎng)絡(luò)上的知識(shí)系統(tǒng)[6]。醫(yī)學(xué)知識(shí)圖譜將知識(shí)圖譜與醫(yī)學(xué)知識(shí)結(jié)合，將互聯(lián)網(wǎng)技術(shù)與醫(yī)學(xué)情境融合，實(shí)現(xiàn)醫(yī)學(xué)數(shù)據(jù)的自動(dòng)化與智能化處理。構(gòu)建醫(yī)學(xué)知識(shí)圖譜可為臨床輔助決策、文獻(xiàn)可視化分析、智能問(wèn)答以及智慧搜索提供支持。

2 醫(yī)學(xué)知識(shí)圖譜應(yīng)用

2.1 臨床決策支持

臨床決策支持系統(tǒng)(Clinical Decision Support System，CDSS)使用個(gè)體化數(shù)據(jù)對(duì)患者進(jìn)行特定評(píng)估并向臨床醫(yī)師提出決策建議。醫(yī)學(xué)知識(shí)圖譜的誕生為CDSS提供了深層關(guān)系發(fā)現(xiàn)與推理能力。目前研究人員積極探索臨床環(huán)境中決策支持的潛力[7]，與知識(shí)圖譜結(jié)合開(kāi)發(fā)適用于醫(yī)療環(huán)境的臨床決策支持系統(tǒng)。Zhao C、Jiang J和Guan Y等[8]開(kāi)發(fā)電子病歷(Electronic Medical Record，EMR)驅(qū)動(dòng)的CDSS。該系統(tǒng)利用電子病歷中的醫(yī)學(xué)知識(shí)網(wǎng)絡(luò)表示醫(yī)學(xué)知識(shí)，構(gòu)建由癥狀、檢查、檢查結(jié)果、疾病和治療5類(lèi)實(shí)體組成的知識(shí)網(wǎng)絡(luò)，將患者現(xiàn)狀輸入后可獲得關(guān)于疾病測(cè)試、初始診斷及治療相應(yīng)建議。在知識(shí)推理方面，由于貝葉斯網(wǎng)絡(luò)受到推理及學(xué)習(xí)的計(jì)算復(fù)雜性限制，該系統(tǒng)選擇馬爾可夫隨機(jī)場(chǎng)(Markov Random Field，MRF)執(zhí)行推理任務(wù)。Goodwin T和Harabagiu S[9]設(shè)計(jì)一個(gè)用于回答醫(yī)學(xué)問(wèn)題的CDSS，利用MiMic-III提供一個(gè)公開(kāi)的電子病歷集合，自動(dòng)生成一個(gè)龐大的醫(yī)學(xué)知識(shí)圖譜，通過(guò)概率推理方法獲得問(wèn)題答案，自動(dòng)發(fā)現(xiàn)與主題相關(guān)的問(wèn)題答案可能性，生成包含答案的相關(guān)科學(xué)文章。Sheng M、Hu Q和Zhang Y等[10]提出一種基于知識(shí)圖譜的數(shù)據(jù)密集型臨床決策支持平臺(tái)IDS，該平臺(tái)圍繞患者就診過(guò)程提供一系列CDSS服務(wù)，即查詢(xún)、檢查、診斷、藥物、治療及預(yù)后等。IDS從醫(yī)學(xué)樣本庫(kù)中提取三元組形成知識(shí)圖譜，然后通過(guò)規(guī)則檢測(cè)構(gòu)建新的三元組豐富醫(yī)學(xué)樣本庫(kù)。目前該平臺(tái)已應(yīng)用于鄉(xiāng)村醫(yī)療，有利于降低誤診率。朱超宇和劉雷[11]構(gòu)建一個(gè)知識(shí)圖譜輔助的肺部影像診斷系統(tǒng)，其結(jié)合指南和文獻(xiàn)中肺癌及肺結(jié)核的相關(guān)知識(shí)構(gòu)建知識(shí)圖譜，醫(yī)生診斷時(shí)將患者影像特征與知識(shí)圖譜中的影像特征相結(jié)合進(jìn)行分析，得到更加全面的結(jié)果。研究顯示CDSS主要來(lái)源于臨床數(shù)據(jù)，其中41.66%來(lái)自數(shù)據(jù)集存儲(chǔ)庫(kù)或臨床中心，33.33%來(lái)自電子健康檔案(Electronic Health Record，EHR)[12]。近年來(lái)由于大數(shù)據(jù)和自然語(yǔ)言處理技術(shù)的快速發(fā)展，從電子病歷中自動(dòng)挖掘知識(shí)成為新的研究趨勢(shì)[13-14]?；谥R(shí)圖譜的CDSS充分利用電子病歷，但不同醫(yī)院平臺(tái)的電子病歷數(shù)據(jù)錄入有自己的語(yǔ)言，使得跨越平臺(tái)開(kāi)發(fā)CDSS出現(xiàn)障礙，這就要求電子健康記錄中數(shù)據(jù)創(chuàng)建語(yǔ)言的一致性[15]。臨床指南、科研文獻(xiàn)也是知識(shí)的重要來(lái)源，通過(guò)文本計(jì)算機(jī)化構(gòu)建知識(shí)圖譜，更科學(xué)地為臨床決策提供指導(dǎo)。

2.2 醫(yī)學(xué)文獻(xiàn)可視化

目前醫(yī)學(xué)行業(yè)積累了規(guī)?？捎^(guān)的大數(shù)據(jù)，但是這些數(shù)據(jù)并未創(chuàng)造價(jià)值，其中一個(gè)重要原因就是數(shù)據(jù)混雜，隱匿于大量文獻(xiàn)當(dāng)中，用戶(hù)無(wú)法精確定位。知識(shí)圖譜的可視化數(shù)據(jù)分析、視覺(jué)知識(shí)圖譜構(gòu)建[16]、CiteSpace[17]使用能夠幫助用戶(hù)直觀(guān)理解醫(yī)學(xué)信息內(nèi)容，實(shí)現(xiàn)大數(shù)據(jù)的價(jià)值變現(xiàn)。例如田元祥、劉莎莎和周新宇等[18]利用CiteSpace構(gòu)建中醫(yī)肝郁脾虛證候診斷標(biāo)準(zhǔn)知識(shí)圖譜；李新宇、李翔和廖林麗等[19]基于CiteSpace構(gòu)建中醫(yī)藥論治干眼知識(shí)圖譜；張琪、曹林忠和蔣瑋等[20]基于CiteSpace分析股骨頭壞死中醫(yī)藥治療知識(shí)圖譜等。通過(guò)計(jì)量軟件的可視化分析可以直觀(guān)了解中醫(yī)子領(lǐng)域研究現(xiàn)狀，通過(guò)關(guān)鍵詞聚類(lèi)分析還可了解該子領(lǐng)域研究集中度。該方法還廣泛應(yīng)用于心血管慢病分析中，王偉帥、李陽(yáng)兵和劉鑫源等[21]通過(guò)從CNKI中檢索高原高血壓相關(guān)文獻(xiàn)，利用CiteSpace分析直觀(guān)了解到該領(lǐng)域文獻(xiàn)在2011發(fā)文量最高，軍區(qū)醫(yī)院在該領(lǐng)域有突出貢獻(xiàn)，研究重點(diǎn)從氧化應(yīng)激轉(zhuǎn)換到血管緊張素，目前研究熱點(diǎn)為高血壓用藥及護(hù)理。知識(shí)圖譜在文獻(xiàn)可視化中的應(yīng)用使文獻(xiàn)閱讀變得簡(jiǎn)單直觀(guān)，但將多篇文獻(xiàn)構(gòu)建成圖譜，可能會(huì)缺失其中某些數(shù)據(jù)的展現(xiàn)。因此利用圖譜技術(shù)時(shí)需加強(qiáng)對(duì)文獻(xiàn)重點(diǎn)內(nèi)容的提取能力。

2.3 智能問(wèn)答

問(wèn)答系統(tǒng)的構(gòu)建要求機(jī)器能夠理解自然語(yǔ)言，需要機(jī)器具備強(qiáng)大的背景知識(shí)，而知識(shí)圖譜就是這類(lèi)背景知識(shí)中的重要形式之一。Ruan T、Huang Y和 Liu X等[22]設(shè)計(jì)一個(gè)基于知識(shí)圖譜的智能問(wèn)答工具QAnalysis。用戶(hù)可用自然語(yǔ)言輸入其分析需求，該系統(tǒng)會(huì)以圖表形式返回答案。該系統(tǒng)實(shí)現(xiàn)3個(gè)方面的改進(jìn)：不是直接從知識(shí)庫(kù)中提取答案，而是從統(tǒng)計(jì)上推導(dǎo)出答案；利用患者圖和臨床術(shù)語(yǔ)圖相結(jié)合改善以往語(yǔ)義解析易混淆的現(xiàn)狀；提高問(wèn)題回答的精度。Fecho K、Balhoff J和 Bizon C等[23]首先采用知識(shí)圖譜生產(chǎn)翻譯程序，然后基于3個(gè)翻譯推理器ROBOKOP(用面向知識(shí)的路徑鏈接的生物醫(yī)學(xué)對(duì)象推理)、RTX(推理工具)和midiKanren等生產(chǎn)問(wèn)答系統(tǒng)，以生物鏈路模型作為高級(jí)本體將領(lǐng)域知識(shí)表示為醫(yī)學(xué)實(shí)體之間關(guān)系的知識(shí)圖譜，應(yīng)用MCAT問(wèn)題評(píng)估問(wèn)答系統(tǒng)改進(jìn)問(wèn)答系統(tǒng)以提高性能。李賀、劉嘉宇和李世鈺等[24]利用公開(kāi)數(shù)據(jù)庫(kù)構(gòu)建疾病知識(shí)圖譜，基于知識(shí)圖譜確定檢查、癥狀、科室、病因及傳染性5類(lèi)問(wèn)題，通過(guò)AC多模式匹配算法，結(jié)合語(yǔ)義相似度計(jì)算進(jìn)行癥狀實(shí)體識(shí)別，封裝匹配詞轉(zhuǎn)換成查詢(xún)語(yǔ)言，實(shí)現(xiàn)問(wèn)題回答。同時(shí)優(yōu)化問(wèn)句分析、信息檢索及答案抽取，從而提高醫(yī)療問(wèn)答系統(tǒng)與網(wǎng)絡(luò)技術(shù)、醫(yī)學(xué)知識(shí)的融合度。Li C、Hang S和Hu X等[25]構(gòu)建老年醫(yī)療保健知識(shí)圖譜，利用爬蟲(chóng)技術(shù)從百科網(wǎng)站獲取老年健康信息構(gòu)建本體庫(kù)，采用變體的關(guān)聯(lián)規(guī)則挖掘算法檢測(cè)實(shí)體之間關(guān)系，使用Limes算法將實(shí)體與88 446個(gè)實(shí)體的關(guān)系融合，建立度量表達(dá)式最終形成知識(shí)圖譜，利用知識(shí)圖譜構(gòu)建一個(gè)歷史行為驅(qū)動(dòng)的問(wèn)答平臺(tái)KnowHealth，該平臺(tái)將健康問(wèn)題分成12類(lèi)并根據(jù)老年人的歷史行為回答老年保健相關(guān)問(wèn)題。盡管利用知識(shí)圖譜在構(gòu)建醫(yī)療問(wèn)答系統(tǒng)方面開(kāi)展了相關(guān)研究，但受限于現(xiàn)有醫(yī)學(xué)知識(shí)圖譜的推理能力，知識(shí)圖譜和問(wèn)答系統(tǒng)的結(jié)合還有一定局限，并且大部分問(wèn)答系統(tǒng)主要是針對(duì)簡(jiǎn)單問(wèn)題，對(duì)于復(fù)雜醫(yī)療問(wèn)題的解決有一定限制[26]。因此迫切需要推進(jìn)相關(guān)研究的創(chuàng)新。

2.4 智慧搜索

互聯(lián)網(wǎng)時(shí)代醫(yī)療信息呈現(xiàn)爆炸式增長(zhǎng)，要精準(zhǔn)、便捷獲取重要信息顯得更加困難，因此智能化、情景化、社會(huì)化的智慧搜索技術(shù)應(yīng)用成為研究熱點(diǎn)。而知識(shí)圖譜可為有效查詢(xún)和搜索數(shù)據(jù)提供更為靈活的數(shù)據(jù)結(jié)果。Hasan S、Rivera D和Wu X C等[27]提出用于癌癥數(shù)據(jù)的科學(xué)數(shù)字圖書(shū)館框架，核心是知識(shí)圖譜。該平臺(tái)利用基于語(yǔ)義網(wǎng)絡(luò)的知識(shí)圖譜儲(chǔ)存癌癥注冊(cè)表數(shù)據(jù)，實(shí)現(xiàn)特點(diǎn)場(chǎng)景數(shù)據(jù)查詢(xún)，例如乳腺癌治療序列變化的查詢(xún)。將知識(shí)圖譜與外部數(shù)據(jù)集鏈接，以便于使用多個(gè)數(shù)據(jù)集執(zhí)行復(fù)雜查詢(xún)。同時(shí)該平臺(tái)還可實(shí)現(xiàn)癌癥知識(shí)可視化，用戶(hù)通過(guò)索引檢索和信息檢索進(jìn)行查詢(xún)和搜索。Shenoi S J、Vi L和Sarvesh S等[28]開(kāi)發(fā)腫瘤搜索引擎，檢索與患者狀況、遺傳特征、年齡和性別相關(guān)的科學(xué)文章和臨床試驗(yàn)，構(gòu)建知識(shí)圖譜，對(duì)疾病、基因和人口統(tǒng)計(jì)學(xué)信息進(jìn)行擴(kuò)展查詢(xún)。Struck A、Walsh B和 Buchanan A等[29]構(gòu)建一個(gè)生物醫(yī)學(xué)證據(jù)圖譜(BioMedical Evidence Graph，BMEG)，內(nèi)容包括患者樣本信息、突變、基因表達(dá)、藥物反應(yīng)數(shù)據(jù)、基因組注釋和文獻(xiàn)分析。BMEG通過(guò)導(dǎo)入和取消幾個(gè)相關(guān)資源來(lái)構(gòu)建連貫圖表，將這些復(fù)雜數(shù)據(jù)進(jìn)行整合和分析，實(shí)現(xiàn)癌癥生物數(shù)據(jù)查詢(xún)。醫(yī)學(xué)知識(shí)圖譜搜索不僅提供用戶(hù)網(wǎng)頁(yè)間超鏈接的文檔關(guān)系，還包括不同類(lèi)型實(shí)體間豐富的語(yǔ)義關(guān)系。然而受限于醫(yī)學(xué)知識(shí)圖譜的知識(shí)數(shù)量和質(zhì)量，需要不斷改進(jìn)和完善技術(shù)框架。

3 結(jié)語(yǔ)

知識(shí)圖譜作為互聯(lián)網(wǎng)領(lǐng)域的新興技術(shù)，是信息處理和知識(shí)組織的強(qiáng)大工具。知識(shí)圖譜將領(lǐng)域內(nèi)的復(fù)雜知識(shí)通過(guò)信息抽取、數(shù)據(jù)挖掘、語(yǔ)義匹配、語(yǔ)義計(jì)算和知識(shí)推理等過(guò)程精準(zhǔn)地描述出來(lái)，描述知識(shí)及其演化過(guò)程、發(fā)展規(guī)律，從而為研究和決策提供準(zhǔn)確、可追蹤、可解釋、可推理的知識(shí)數(shù)據(jù)。但目前知識(shí)圖譜研究還不夠完善和深入，需要在以下方面進(jìn)行進(jìn)一步嘗試：一是知識(shí)圖譜應(yīng)用應(yīng)標(biāo)準(zhǔn)化，豐富其功能，例如基于高血壓指南構(gòu)建高血壓用藥知識(shí)圖譜，實(shí)現(xiàn)用藥推薦、藥物查詢(xún)、藥物問(wèn)詢(xún)等功能；二是知識(shí)圖譜普及應(yīng)公開(kāi)化，如臨床決策與健康管理相結(jié)合，增加其利用率并實(shí)現(xiàn)真正落地。