网络出版时间:2017-08-1817:0949 网络出版地址:htp/ kns cnki. net/kcms/detail/51.1196p.20170818.1709.086html 号4甲究优先出版 原创性时效性就是科研成果的生命力 《计算机应用研究》编辑部致力于高效的编排 为的就是将您的成果以最快的速度 呈现于世 数字优先出版可将您的文章提前8-10个月发布于中国知网和万方数据等在线平台 医学知识图谱构建技术与研究进展 作者 袁凯琦,邓扬,陈道源,张冰,雷凯,沈颖 机构 北京大学深圳研究生院深圳市云计算关键技术与应用重点实验室 基金项目 国家自然科学基金青年基金资助项目(61602013),深圳市科创委基础研究项目 (CY]20160330095313861;JCY20151030154330711;JcY20151014093505032) 预排期卷 《计算机应用研究》2018年第35卷第7期 摘要 医学知识图谱是实现智慧医疗的基石,有望带来更高效精准的医疗服务。然而,现有知识图 谱构建技术在医学领域中普遍存在效率低,限制多,拓展性差等问题。针对医疗数据跨语种 专业性强,结构复杂等特点,对构建医学知识图谱的关键技术进行了自底向上的全面解析 涵盖了医学知识表示、抽取、融合和推理以及质量评估五部分内容。此外,还介绍了医学知 识图谱在信息检索、知识问答、智能诊断等医疗服务中的应用现状。最后,结合当前医学知 识图谱构建技术面临的重大挑战和关键问题,对其发展前景进行了展望。 关键词 知识图谱;知识获取;知识融合氵知识推理;自然语言处理 作者简介 袁凯琦(1993-),女,广东湛江人,硕士研究生,主要研究方向为知识图谱,知识推理;邓 扬(1993-),男,硕士研究生,主要研究方向为自然语言处理、知识图谱、自动问答、信息 抽取;陈道源(1994-),男,硕士研究生,主要研究方向为知识图谱、知识表示学习;张冰 (1993-),女,硕士研究生,主要研究方向为知识图谱,知识融合;雷凯(1976-),男,主 任,副研究员,硕导,博士,主要研究方向为计算机网络、命名数据网络、社交网络、文本 处理等;沈颖(1984-),女(通信作者),博土,主要研究方向为自然语言处理,知识图谱, 医学信息学,大数据管理 中图分类号TP391 访问地址 http://www.arocmag.com/article/02-2018-07-068.html 发布日期 2017年8月17日 引用格式 袁凯琦,邓扬,陈道源,张冰,雷凯,沈颖.医学知识图谱构建技术与研究进展囗/OL].2018 35(7).[2017-08-17].http://www.arocmag.com/article/02-2018-07-068.html
———————————————————————————————————————————————— 医学知识图谱构建技术与研究进展 作者 袁凯琦，邓扬，陈道源，张冰，雷凯，沈颖 机构 北京大学深圳研究生院 深圳市云计算关键技术与应用重点实验室 基金项目 国家 自然科学基 金青年基金 资助项目（ 61602013），深圳市科 创委基础研 究项目 （JCYJ20160330095313861；JCYJ20151030154330711；JCYJ20151014093505032） 预排期卷 《计算机应用研究》 2018 年第 35 卷第 7 期 摘要 医学知识图谱是实现智慧医疗的基石，有望带来更高效精准的医疗服务。然而，现有知识图 谱构建技术在医学领域中普遍存在效率低，限制多，拓展性差等问题。针对医疗数据跨语种， 专业性强，结构复杂等特点，对构建医学知识图谱的关键技术进行了自底向上的全面解析， 涵盖了医学知识表示、抽取、融合和推理以及质量评估五部分内容。此外，还介绍了医学知 识图谱在信息检索、知识问答、智能诊断等医疗服务中的应用现状。最后，结合当前医学知 识图谱构建技术面临的重大挑战和关键问题，对其发展前景进行了展望。 关键词 知识图谱；知识获取；知识融合；知识推理；自然语言处理 作者简介 袁凯琦（1993-），女，广东湛江人，硕士研究生，主要研究方向为知识图谱，知识推理；邓 扬（1993-），男，硕士研究生，主要研究方向为自然语言处理、知识图谱、自动问答、信息 抽取；陈道源（1994-），男，硕士研究生，主要研究方向为知识图谱、知识表示学习；张冰 （1993-），女，硕士研究生，主要研究方向为知识图谱，知识融合；雷凯（1976-），男，主 任，副研究员，硕导，博士，主要研究方向为计算机网络、命名数据网络、社交网络、文本 处理等；沈颖（1984-），女（通信作者），博士，主要研究方向为自然语言处理，知识图谱， 医学信息学，大数据管理． 中图分类号 TP391 访问地址 http://www.arocmag.com/article/02-2018-07-068.html 发布日期 2017 年 8 月 17 日 引用格式 袁凯琦, 邓扬, 陈道源, 张冰, 雷凯, 沈颖. 医学知识图谱构建技术与研究进展[J/OL]. 2018, 35(7). [2017-08-17]. http://www.arocmag.com/article/02-2018-07-068.html. 网络出版时间：2017-08-18 17:09:49 网络出版地址：http://kns.cnki.net/kcms/detail/51.1196.tp.20170818.1709.086.html
第35卷第7期 计算机应用研究 Vol. 35 No. 7 优先出版 Application Research of Computers 医学知识图谱构建技术与研究进展 袁凯琦,邓扬,陈道源,张冰,雷凯,沈颖 (北京大学深圳研究生院深圳市云计算关键技术与应用重点实验室,广东深圳518055) 摘要:医学知识图谱是实现智慧医疗的基石,有望带来更高效精准的医疗服务。然而,现有知识图谱构建技术在医 学领域中普遍存在效率低,限制多,拓展性差等问题。针对医疗数据跨语种,专业性强,结构复杂等特点,对构建医 学知识图谱的关键技术进行了自底向上的全面解析,涵盖了医学知识表示、抽取、融合和推理以及质量评估五部分内 容。此外,还介绍了医学知识图谱在信息检索、知识问答、智能诊断等医疗服务中的应用现状。最后,结合当前医学 知识图谱构建技术面临的重大挑战和关键问題,对其发展前景进行了展望。 关键词:知识图谱;知识获取;知识融合;知识推理;自然语言处理 中图分类号:TP391 Construction techniques and research development of medical knowledge graph Yuan Kaiqi, Deng Yang, Chen Daoyuan, Zhang Bing, Lei Kai, Shen Ying (Institute of Big Data Technologies Shenzhen Key lab for Cloud Computing Technology Applications. School of electronic and Computer Engineering(SECE)Peking University, Shenzhen Guangdong 518055, China) Abstract: Medical knowledge graph is the cornerstone of Artificial Intelligence and Smart Healthcare, and leading to more ccurate medical service. However, current constructing techniques of knowledge graph have some common defects in efficiency, scalability and applicability. Considering the specific features of medical data, this paper analyzes and classifies the key techniques and methods involved in the construction of medical knowledge graph in a bottom-up cluding representation, extraction, fusion and reasoning of medical knowledge and quality assessment of medical know graph. Furthermore, the paper also introduces the research and application of search engine, question-answering system and decision support system based on medical knowledge graph. Finally, the paper summarizes challenges and major problems of medical knowledge graph, and prospects for future development Key Words: knowledge graph; knowledge extraction; knowledge fusion; knowledge reasoning; natural language processing 识服务领域的一个新热点,受到国内外学者和工业界广泛关注。 0引言 知识图谱的前身是语义网,它吸收了语义网、本体在知识 自1998年万维网之父 Tim berners-Lee提出语义网,人们组织和表达方面的理念,使得知识更易于在计算机之间和计算 不断在网络等电子载体上表达和修正对客观世界的理解,形成机与人之间交换、流通和加工。具体来说,一个知识图谱由模 了一个概念标准化的过程,同时随着链接开放数据( Linked式图、数据图及两者之间的关系组成:模式图对人类知识领域 Open Data)的规模增,互联网上散落了越来越多的知识元数的概念层面进行描述,强调概念及概念关系的形式化表达,模 式图中节点是概念实体,边是概念间的语义关系,如part-of 知识图谱就是在这样的大数据背景下产生的一种知识表示数据图对物理世界层面进行描述,强调一系列客观事实。数据 和管理的方式,强调语义检索能力。近年来,在人工智能的蓬图中的节点有两类,一是模式图中的概念实体,二是描述性字 勃发展下,知识图谱涉及到的知识抽取、表示、融合、推理、符串,数据图中的边是具体事实的语义描述:模式图和数据图 问答等关键问题得到一定程度的解决和突破,知识图谱成为知之间的关系指数据图的实例与模式图的概念之间的对应,或者 基金项目:国家自然科学基金青年基金資助项目(61602013),深圳市科创委基础研究项目(JCY20160330095313861:JCYJ20151030154330711 JCYJ20l51014093505032) 作者简介:袁凯琦(1993-),女,广东湛江人,硕士研究生,主要研究方向为知识图谱,知识推理:邓扬(1993-),男,硕士研究生,主 研究生,主要研究方向为知识图谱,知识鼬合:雷凯(1976-),男,主任,副研究员,硕导,博士,主要研究方向为计算机网络、命名数据网络、社交网络 文本处理等:沈颖(1984-),女(通信作者),博士,主要研究方向为自然语言处理,知识图谱,医学信息学,大数据管理
第 35 卷第 7 期 计算机应用研究 Vol. 35 No. 7 优先出版 Application Research of Computers Online Publication —————————— 基金项目：国家自然科学基金青年基金资助项目（61602013），深圳市科创委基础研究项目（JCYJ20160330095313861；JCYJ20151030154330711； JCYJ20151014093505032） 作者简介：袁凯琦（1993-），女，广东湛江人，硕士研究生，主要研究方向为知识图谱，知识推理；邓扬（1993-），男，硕士研究生，主要研究方向为 自然语言处理、知识图谱、自动问答、信息抽取；陈道源（1994-），男，硕士研究生，主要研究方向为知识图谱、知识表示学习；张冰（1993-），女，硕士 研究生，主要研究方向为知识图谱，知识融合；雷凯（1976-），男，主任，副研究员，硕导，博士，主要研究方向为计算机网络、命名数据网络、社交网络、 文本处理等；沈颖（1984-），女（通信作者），博士，主要研究方向为自然语言处理，知识图谱，医学信息学，大数据管理． 医学知识图谱构建技术与研究进展 * 袁凯琦，邓 扬，陈道源，张 冰，雷 凯，沈 颖† (北京大学深圳研究生院 深圳市云计算关键技术与应用重点实验室, 广东 深圳 518055) 摘 要：医学知识图谱是实现智慧医疗的基石，有望带来更高效精准的医疗服务。然而，现有知识图谱构建技术在医 学领域中普遍存在效率低，限制多，拓展性差等问题。针对医疗数据跨语种，专业性强，结构复杂等特点，对构建医 学知识图谱的关键技术进行了自底向上的全面解析，涵盖了医学知识表示、抽取、融合和推理以及质量评估五部分内 容。此外，还介绍了医学知识图谱在信息检索、知识问答、智能诊断等医疗服务中的应用现状。最后，结合当前医学 知识图谱构建技术面临的重大挑战和关键问题，对其发展前景进行了展望。 关键词：知识图谱；知识获取；知识融合；知识推理；自然语言处理 中图分类号：TP391 Construction techniques and research development of medical knowledge graph Yuan Kaiqi, Deng Yang, Chen Daoyuan, Zhang Bing, Lei Kai, Shen Ying † (Institute of Big Data Technologies Shenzhen Key Lab for Cloud Computing Technology & Applications. School of Electronic and Computer Engineering (SECE)Peking University, Shenzhen Guangdong 518055, China) Abstract: Medical knowledge graph is the cornerstone of Artificial Intelligence and Smart Healthcare, and leading to more efficient and accurate medical service. However, current constructing techniques of knowledge graph have some common defects in efficiency, scalability and applicability. Considering the specific features of medical data, this paper analyzes and classifies the key techniques and methods involved in the construction of medical knowledge graph in a bottom-up way, including representation, extraction, fusion and reasoning of medical knowledge and quality assessment of medical knowledge graph. Furthermore, the paper also introduces the research and application of search engine, question-answering system and decision support system based on medical knowledge graph. Finally, the paper summarizes challenges and major problems of medical knowledge graph, and prospects for future development. Key Words: knowledge graph; knowledge extraction; knowledge fusion; knowledge reasoning; natural language processing 0 引言 自 1998 年万维网之父 Tim Berners-Lee 提出语义网，人们 不断在网络等电子载体上表达和修正对客观世界的理解，形成 了一个概念标准化的过程，同时随着链接开放数据 (Linked Open Data)的规模激增，互联网上散落了越来越多的知识元数 据。 知识图谱就是在这样的大数据背景下产生的一种知识表示 和管理的方式，强调语义检索能力。近年来，在人工智能的蓬 勃发展下，知识图谱涉及到的知识抽取、表示、融合、推理、 问答等关键问题得到一定程度的解决和突破，知识图谱成为知 识服务领域的一个新热点，受到国内外学者和工业界广泛关注。 知识图谱的前身是语义网，它吸收了语义网、本体在知识 组织和表达方面的理念，使得知识更易于在计算机之间和计算 机与人之间交换、流通和加工。具体来说，一个知识图谱由模 式图、数据图及两者之间的关系组成：模式图对人类知识领域 的概念层面进行描述，强调概念及概念关系的形式化表达，模 式图中节点是概念实体，边是概念间的语义关系，如 part-of； 数据图对物理世界层面进行描述，强调一系列客观事实。数据 图中的节点有两类，一是模式图中的概念实体，二是描述性字 符串，数据图中的边是具体事实的语义描述；模式图和数据图 之间的关系指数据图的实例与模式图的概念之间的对应，或者
优先出版 袁凯琦,等:医学知识图谱构建技术与研究进展 第35卷第7期 说模式图是数据图的模具。 法由于表示能力有限且缺乏灵活性,不再作为主要的知识表示 著名的通用知识图谱中有,谷歌“ Knowledge Graph”[]、方法,更多是作为医学知识表示的辅助或补充。 搜狗“知立方”1、YAGO[2]、 DBpedia3]等,它们具有规模大 本体表示法以网络的形式表示知识,即以(实体1,关系, 领域宽,包含大量常识等特点。目前,医学是知识图谱应用最实体2)三元组来表示相关联的两个节点(实体),在知识图谱 广的垂直领域之一,如上海曙光医院构建的中医药知识图谱凹、國提出之后逐渐得到认可。它借鉴了语义网表示法但又有所区 本体医疗知识库 SNOMED-CT2, IBM Watson Health3等应用近别:本体关注的是实体固有特征,比后者更聚焦,更深入,因 两年也开始进入人们视线 而也具有更大的发展潜力。而本体的描述语言也多种多样:主 知识图谱是智能大数据的前沿研究问题,它以独有的技术要有RDF和RDFS、DAML、OWL等。使用本体表示医学术 优势顺应了信息化时代的发展,比如渐增式的数据模式设计:语可以提升数据整合能力:建立强大、可互操作的医疗信息系 良好的数据集成:现有RDF、OWL等标准支持:语义搜索和统:满足重用共享传输医疗数据的需求:提供基于不同语义标 知识推理能力等。在医学领域,随着区域卫生信息化及医疗信准的统计聚合。医学领域本体的构建,需要深入分析医学术语 息系统的发展,积累了海量的医学数据。如何从这些数据中提的结构和概念,才能将晦涩甚至是跨语言的医学知识有效地表 炼信息,并加以管理、共享及应用,是推进医学智能化的关键达出来。目前的医学知识本体库有:医学概念知识库 问题,是医学知识检索、临床诊断、医疗质量管理、电子病历 L inkBasel9, TAMBIS本体库(IaO1等等 及健康档案智能化处理的基础。 知识图谱的节点个数影响着网络的结构复杂度及推理的效 本文首先介绍了医学知识图谱的构建技术,主要涉及到医率和难度。知识表示学习借助机器学习,将研究对象的语义信 学知识表示:医学知识抽取,包括实体、关系、属性的抽取:息表示为稠密低维向量,有效解决数据稀疏问题,从而提升知 医学知识融合:医学知识推理和质量评估五个部分。然后介绍识融合和推理性能間。低维向量表示是一种分布式表示 了基于医学知识图谱的包括检索、问答、决策等的应用现状 ( distributed representation)12,它模仿人脑中使用多个神经元 最后对医学知识图谱的研究、应用重点,面临的挑战以及未来存储对象的工作机制,使用多维度向量表示对象的语义信息 的发展趋势进行了展望。 知识表示学习中的代表模型有:结构化表示法( Structu Embedding,SE)I,单层神经网络模型( single layer model 1医学知识图谱构建 SLM)叫,隐变量模型( latent factor model,LFM)S,基于 本文将医学知识图谱构建技术归纳为五部分,即医学知识 TransE[1!6]的翻译模型等等。这些模型考虑实体间的协同性和 的表示、抽取、融合、推理以及质量评估。通过从大量的结构计算开销,用向量表示实体,再对表示实体的向量或关系进行 化或非结构化的医学数据中提取出实体、关系、属性等知识图相应的矩阵变换,提出评价函数来衡量实体间的相关性,并为 谱的组成元素,选择合理高效的方式存入知识库。医学知识融之后的知识补全和推理提供重要参考。 Kleyko等人证明了分 合对医学知识库内容进行消歧和链接,增强知识库内部的逻辑布式表示方法表示医学图像进行分类精度能够与最佳经典方法 性和表达能力,并通过人工或自动的方式为医学知识图谱更新相同: Henriksson等人18对比使用多种知识表示方法表示EHR 旧知识或补充新知识。借助知识推理,推出缺失事实,自动完中4类记录:诊断记录,药物使用记录,治疗方法和病程记录 成疾病诊断与治疗。质量评估则是保障数据的重要手段,提高显然,知识表示学习无疑为医学知识图谱的知识表示开辟了新 医学知识图谱的可信度和准确度。 思路。 1.1医学知识表示 12医学知识抽取 知识表示是为描述世界所做的一组约定,是知识符号化、 医学知识图谱的构建主要是从非结构化数据中人工或自动 形式化、模式化的过程,主要研究计算机存储知识的方法,其地提取实体、关系和属性。人工提取是通过专家依据一定规则 表示方式影响系统的知识获取、存储及运用的效率。然而医学收集并整理相关信息,提取知识。目前通过人工构建的医学知 数据种类繁杂,存储方式不一,电子病历格式和标准不同,经识库包括临床医学知识库、 SNOMED-CT、ICD-10等。自动 常涉及交叉领域等特点,导致医学领域与其他领域在知识表示提取则是利用机器学习、人工智能、数据挖掘等信息抽取技术 方面有所差异,同时也给医学领域的知识表示带来极大的挑战。从数据源中自动提取出知识图谱的基本组成元素。自动构建医 早期医疗知识库运用的知识表示方法有:谓词逻辑表示法,学知识库的典型例子有一体化医学语言系统UMLS。人工提 产生式表示法,框架表示法,语义网表示法等等。比如,取的代价太大,知识的自动提取是目前重点的研究方向,也是 SNOMED-CT,早期的MYCⅣN系统间,大肠杆菌数据库将来构建知识图谱的趋势。本节主要介绍如何自动从数据源中 EcoCyc[7等。随着知识图谱中知识增长、关系复杂化,这些方抽取知识和信息,包括实体、关系和属性抽取 1.2.1实体抽取 识别文本中的生物医学实体,其目的在于通过识别关键概 www.snomed.org 念进一步提取关系和其他信息,并将识别的概念以标准化的形 VWw
优先出版 袁凯琦，等：医学知识图谱构建技术与研究进展 第 35 卷第 7 期 说模式图是数据图的模具。 著名的通用知识图谱中有，谷歌“Knowledge Graph”[1]、 搜狗“知立方”1、YAGO[2]、DBpedia[3]等，它们具有规模大、 领域宽，包含大量常识等特点。目前，医学是知识图谱应用最 广的垂直领域之一，如上海曙光医院构建的中医药知识图谱[4]、 本体医疗知识库 SNOMED-CT2，IBM Watson Health3等应用近 两年也开始进入人们视线。 知识图谱是智能大数据的前沿研究问题，它以独有的技术 优势顺应了信息化时代的发展，比如渐增式的数据模式设计； 良好的数据集成；现有 RDF、OWL 等标准支持；语义搜索和 知识推理能力等。在医学领域，随着区域卫生信息化及医疗信 息系统的发展，积累了海量的医学数据。如何从这些数据中提 炼信息，并加以管理、共享及应用，是推进医学智能化的关键 问题，是医学知识检索、临床诊断、医疗质量管理、电子病历 及健康档案智能化处理的基础。 本文首先介绍了医学知识图谱的构建技术，主要涉及到医 学知识表示；医学知识抽取，包括实体、关系、属性的抽取； 医学知识融合；医学知识推理和质量评估五个部分。然后介绍 了基于医学知识图谱的包括检索、问答、决策等的应用现状。 最后对医学知识图谱的研究、应用重点，面临的挑战以及未来 的发展趋势进行了展望。 1 医学知识图谱构建 本文将医学知识图谱构建技术归纳为五部分，即医学知识 的表示、抽取、融合、推理以及质量评估。通过从大量的结构 化或非结构化的医学数据中提取出实体、关系、属性等知识图 谱的组成元素，选择合理高效的方式存入知识库。医学知识融 合对医学知识库内容进行消歧和链接，增强知识库内部的逻辑 性和表达能力，并通过人工或自动的方式为医学知识图谱更新 旧知识或补充新知识。借助知识推理，推出缺失事实，自动完 成疾病诊断与治疗。质量评估则是保障数据的重要手段，提高 医学知识图谱的可信度和准确度。 1.1 医学知识表示 知识表示是为描述世界所做的一组约定，是知识符号化、 形式化、模式化的过程[5]，主要研究计算机存储知识的方法，其 表示方式影响系统的知识获取、存储及运用的效率。然而医学 数据种类繁杂，存储方式不一，电子病历格式和标准不同，经 常涉及交叉领域等特点，导致医学领域与其他领域在知识表示 方面有所差异，同时也给医学领域的知识表示带来极大的挑战。 早期医疗知识库运用的知识表示方法有：谓词逻辑表示法， 产生式表示法，框架表示法，语义网表示法等等。比如， SNOMED-CT，早期的 MYCIN 系统[6]，大肠杆菌数据库 EcoCyc[7]等。随着知识图谱中知识增长、关系复杂化，这些方 1 https://www.sogou.com/ 2 http://www.snomed.org/ 3 http://www-935.ibm.com/industries/hea lthcare/index.html 法由于表示能力有限且缺乏灵活性，不再作为主要的知识表示 方法，更多是作为医学知识表示的辅助或补充。 本体表示法以网络的形式表示知识，即以（实体 1，关系， 实体 2）三元组来表示相关联的两个节点（实体），在知识图谱 [8]提出之后逐渐得到认可。它借鉴了语义网表示法但又有所区 别：本体关注的是实体固有特征，比后者更聚焦，更深入，因 而也具有更大的发展潜力。而本体的描述语言也多种多样：主 要有 RDF 和 RDF-S、DAML、OWL 等。使用本体表示医学术 语可以提升数据整合能力：建立强大、可互操作的医疗信息系 统；满足重用共享传输医疗数据的需求；提供基于不同语义标 准的统计聚合。 医学领域本体的构建，需要深入分析医学术语 的结构和概念，才能将晦涩甚至是跨语言的医学知识有效地表 达 出 来 。 目 前 的 医 学 知 识 本 体 库 有 ： 医 学 概 念 知 识 库 LinkBase[9]，TAMBIS 本体库 (TaO)[10]等等。 知识图谱的节点个数影响着网络的结构复杂度及推理的效 率和难度。知识表示学习借助机器学习，将研究对象的语义信 息表示为稠密低维向量，有效解决数据稀疏问题，从而提升知 识融合和推理性能[11]。低维向量表示是一种分布式表示 （distributed representation）[12]，它模仿人脑中使用多个神经元 存储对象的工作机制，使用多维度向量表示对象的语义信息。 知识表示学习中的代表模型有：结构化表示法（Structure Embedding，SE）[13]，单层神经网络模型（single layer model， SLM）[14]，隐变量模型（latent factor model，LFM）[15]，基于 TransE[16]的翻译模型等等。这些模型考虑实体间的协同性和 计算开销，用向量表示实体，再对表示实体的向量或关系进行 相应的矩阵变换，提出评价函数来衡量实体间的相关性，并为 之后的知识补全和推理提供重要参考。Kleyko 等人[17]证明了分 布式表示方法表示医学图像进行分类精度能够与最佳经典方法 相同；Henriksson 等人[18]对比使用多种知识表示方法表示 EHR 中 4 类记录：诊断记录，药物使用记录，治疗方法和病程记录。 显然，知识表示学习无疑为医学知识图谱的知识表示开辟了新 思路。 1.2 医学知识抽取 医学知识图谱的构建主要是从非结构化数据中人工或自动 地提取实体、关系和属性。人工提取是通过专家依据一定规则 收集并整理相关信息，提取知识。目前通过人工构建的医学知 识库包括临床医学知识库[19]、SNOMED-CT、ICD-10 等。自动 提取则是利用机器学习、人工智能、数据挖掘等信息抽取技术， 从数据源中自动提取出知识图谱的基本组成元素。自动构建医 学知识库的典型例子有一体化医学语言系统 UMLS[20]。人工提 取的代价太大，知识的自动提取是目前重点的研究方向，也是 将来构建知识图谱的趋势。本节主要介绍如何自动从数据源中 抽取知识和信息，包括实体、关系和属性抽取。 1.2.1 实体抽取 识别文本中的生物医学实体，其目的在于通过识别关键概 念进一步提取关系和其他信息，并将识别的概念以标准化的形
优先出版 袁凯琦,等:医学知识图谱构建技术与研究进展 第35卷第7期 式表示出来。医学领域的实体抽取是从医学数据源中提取出特续提升模型性能,从小样本中进行学习,自我探索逐步学习新 定类型的命名实体。本节将医学实体的抽取方法归纳为三类:知识,形成一个交互学习过程。 于医学词典及规则的方法、基于医学数据源的统计学和机器 3)深度学习方法 学习方法以及深度学习方法。 深度学习近年来开始被广泛应用于命名实体识别,最具代 1)基于医学词典及规则的方法 表性的模型是2011年 Collobert(301提出的一个深层神经网络模 该方法通过人工定义规则和模式匹配生成词典或使用现有型,其效果和性能超过了传统算法。Sahu等人所提出的CNN 医学词典从语料中抽取医学实体,该方法是具有挑战性的。首与RNN级联的方法生成词嵌入特征,其结果优于目前最好的 先,目前没有完整的字典囊括所有类型的生物命名实体,所以算法且不需要过多的特征工程。 简单的文本匹配算法是不足以应对实体识别的。其次,相同的在医学领域,We等人基于CRF和双向RNN生成特征 单词或短语其意义可根据上下文的改变而指代不同的物体(如,再使用SWM进行疾病命名实体识别。目前医学信息命名实体 铁蛋白可以是生物物质或实验室测试方法)。再次,许多生物或识别任务中最主流的深度学习模型是 BILSTM-CRE模型, 药物实体同时拥有多个名称(如PTEN和MMAC1指代相同的 Jagannatha等人对比了CRF, BILSTM, BILSTM-CRE三种 基因)。因此,基于医学词典及规则只在最早期被广泛使用。模型,以及一些它们的改进模型,在英文电子病历命名实体识 Friedman等人[21]通过自定义语义模式和语法来识别电子病历别的效果,实验结果表明所有基于LSTM的模型都比CRF效 中的医学信息。Wu[22]等人使用了clHV和 SNOMED-CT两果更好,并且 BILSTM结合CRF模型能够进一步提高评测结果 个医学词典得到了不错的实验结果。虽然该方法能达到很高的2%-5%的准确率。 准确度,但无法彻底解决上述问题,也过分依赖专家编写的词1.2.2实体抽取 典和规则,无法适应医学领域词汇不断涌现的现实情况。 本文将医学实体关系抽取归结为两类:a)同类型医学实体 2)基于医学数据源和数学模型的机器学习方法 层级关系抽取,如疾病的“肠胃病-慢性胃炎”等:b)不同类 该方法通过使用统计学和机器学习方法,结合医学数据源型关系抽取,如“疾病-症状”等。 的特点训练模型,进行实体识别。在英文医学实体抽取方面 1)同类型医学实体层级关系抽取 最具代表性的标注语料是12B2201024发布的英文电子病历标 类型医学实体层级关系相对较为单一,主要是is-a和 注语料。另外,还有 Semeval4、 NTCIR等评测,以及NCB25]part-of关系。由于医学有其严谨的学科体系和行业规范,因此 语料库等,都提供了英文医学实体标注数据 此类关系往往在医学词典、百科、信息标准中进行 目前常用方法有隐马尔可夫模型(HMM),条件随机场模 ICD-10、 SNOMED等医疗词典或医疗数据库重点关注 型(CRF),支持向量机模型(SM)等。 Kazama等人6使用医学专业术语、受限词汇的分类和概念标准化工作,权威且涵 SVM模型进行生物医学命名实体识别,引入了POS,词缓存,盖范围广,在数量和质量上都有所保障,被医疗行业广泛认可 无监督训练得到的HMM状态等特征。该方法在GENA语料是抽取层级间实体关系的首选来源。针对具体的医疗词典、知 库中准确率高于最大熵标记方法,并能较高效地应用于大规模识库提供的数据格式和开放AP接口,可通过爬虫、正则表达 语料集。Zhou等人2通过一系列特征训练HMM模型,包括词式、D2R映射等技术从中抽取分层结构,抽取三元组来匹配 构成特征,形态特征,POS,语义触发,文献内名称别名等。添加上下位关系 其识别准确率达66.5%,在 GENIA语料库中的召回率达66.6%。 2)不同类型医学实体关系抽取 综合以上方法,Chen和 Friedman28利用 MEDLEE系统来识别 不同类型医学实体间的语义关系识别大致基于两大不同数 与生物医学文本中与表型信息相对应的短语。该系统使用自然据源而实现。一是百科或其他结构化数据源,如 Medline,UMLS 语言技术来识别期刊文章摘要中存在的表型短语。生物医学的等:二是半结构化的电子病历。 实体识别常常可使用较小的表型相关术语的知识库。Chen和 学实体类型相对有限(主要是疾病、症状、治疗、药品 Friedman9自动导入与语义类别相关的数千个UMLS术语,如等),目前通常在两个实体间预定义好要抽取的关系类型,再将 细胞体功能和细胞功能障碍,以及哺乳动物本体中的几百个术抽取任务转换为分类问题来处理。如何预定义实体关系目前尚 语:并手动添加了几百个术语。实验结果表明,其实体识别准未有统一的标准,这取决于医学知识图谱构建过程中模式图的 确率达640%,召回率达77.1%。虽然结果不高,但为之后的设置、实体识别情况、语料来源、构建目的及应用场景等,如 研究人员提供了一条可行的思路。 在12B22010评测中,将电子病历中的实体关系分成了医疗问 在医学领域,命名实体识别的痛点在于数据质量的良莠不题与医疗问题、医疗问题与治疗、医疗问题与检查三类 齐以及人工标注的专业性要求高。目前有专门研究如何降低对 近几年, Uzuner团队在句子层面抽取了六类医疗实体关 于数据标注依赖的硏究,其原理主要是利用海量未标注数据持系,使用实体顺序和距离、链接语法和词汇特征来训练6个 SVM分类器,通过对比实验,指出词汇特征在实体关系识别中 //www.senseval.org/ //research. nii ac jp/ntcir 的重要作用。在此基础上,基于 Medline摘要, Frunza等[36]
优先出版 袁凯琦，等：医学知识图谱构建技术与研究进展 第 35 卷第 7 期 式表示出来。医学领域的实体抽取是从医学数据源中提取出特 定类型的命名实体。本节将医学实体的抽取方法归纳为三类： 基于医学词典及规则的方法、基于医学数据源的统计学和机器 学习方法以及深度学习方法。 1）基于医学词典及规则的方法 该方法通过人工定义规则和模式匹配生成词典或使用现有 医学词典从语料中抽取医学实体，该方法是具有挑战性的。首 先，目前没有完整的字典囊括所有类型的生物命名实体，所以 简单的文本匹配算法是不足以应对实体识别的。其次，相同的 单词或短语其意义可根据上下文的改变而指代不同的物体（如， 铁蛋白可以是生物物质或实验室测试方法）。再次，许多生物或 药物实体同时拥有多个名称（如 PTEN 和 MMAC1 指代相同的 基因）。因此，基于医学词典及规则只在最早期被广泛使用。 Friedman 等人[21]通过自定义语义模式和语法来识别电子病历 中的医学信息。Wu[22]等人使用了 CHV[23]和 SNOMED-CT 两 个医学词典得到了不错的实验结果。虽然该方法能达到很高的 准确度，但无法彻底解决上述问题，也过分依赖专家编写的词 典和规则，无法适应医学领域词汇不断涌现的现实情况。 2）基于医学数据源和数学模型的机器学习方法 该方法通过使用统计学和机器学习方法，结合医学数据源 的特点训练模型，进行实体识别。在英文医学实体抽取方面， 最具代表性的标注语料是 I2B2 2010[24]发布的英文电子病历标 注语料。另外，还有 SemEval4、NTCIR5等评测，以及 NCBI[25] 语料库等，都提供了英文医学实体标注数据。 目前常用方法有隐马尔可夫模型（HMM），条件随机场模 型（CRF），支持向量机模型（SVM）等。Kazama 等人[26]使用 SVM 模型进行生物医学命名实体识别，引入了 POS，词缓存， 无监督训练得到的 HMM 状态等特征。该方法在 GENIA 语料 库中准确率高于最大熵标记方法，并能较高效地应用于大规模 语料集。Zhou 等人[27]通过一系列特征训练 HMM 模型，包括词 的构成特征，形态特征，POS，语义触发，文献内名称别名等。 其识别准确率达66.5%，在GENIA语料库中的召回率达66.6％。 综合以上方法，Chen 和 Friedman[28]利用 MEDLEE 系统来识别 与生物医学文本中与表型信息相对应的短语。该系统使用自然 语言技术来识别期刊文章摘要中存在的表型短语。生物医学的 实体识别常常可使用较小的表型相关术语的知识库。Chen 和 Friedman[29]自动导入与语义类别相关的数千个 UMLS 术语，如 细胞体功能和细胞功能障碍，以及哺乳动物本体中的几百个术 语；并手动添加了几百个术语。实验结果表明，其实体识别准 确率达 64.0％，召回率达 77.1％。虽然结果不高，但为之后的 研究人员提供了一条可行的思路。 在医学领域，命名实体识别的痛点在于数据质量的良莠不 齐以及人工标注的专业性要求高。目前有专门研究如何降低对 于数据标注依赖的研究，其原理主要是利用海量未标注数据持 4 http://www.senseval.org/ 5 http://research.nii.ac.jp/ntcir 续提升模型性能，从小样本中进行学习，自我探索逐步学习新 知识，形成一个交互学习过程。 3）深度学习方法 深度学习近年来开始被广泛应用于命名实体识别，最具代 表性的模型是 2011 年 Collobert[30]提出的一个深层神经网络模 型，其效果和性能超过了传统算法。Sahu 等人[31]所提出的 CNN 与 RNN 级联的方法生成词嵌入特征，其结果优于目前最好的 算法且不需要过多的特征工程。 在医学领域，We 等人[32]基于 CRF 和双向 RNN 生成特征， 再使用 SVM 进行疾病命名实体识别。目前医学信息命名实体 识别任务中最主流的深度学习模型是 BiLSTM-CRF 模型， Jagannatha 等人[33]对比了 CRF，BiLSTM，BiLSTM-CRF 三种 模型，以及一些它们的改进模型，在英文电子病历命名实体识 别的效果，实验结果表明所有基于 LSTM 的模型都比 CRF 效 果更好，并且 BiLSTM 结合 CRF 模型能够进一步提高评测结果 2%-5%的准确率。 1.2.2 实体抽取 本文将医学实体关系抽取归结为两类：a）同类型医学实体 层级关系抽取，如疾病的“肠胃病-慢性胃炎”等；b）不同类 型关系抽取，如“疾病-症状”等。 1）同类型医学实体层级关系抽取 同类型医学实体层级关系相对较为单一，主要是 is-a 和 part-of 关系。由于医学有其严谨的学科体系和行业规范，因此 此类关系往往在医学词典、百科、信息标准中进行。 ICD-10[34]、SNOMED 等医疗词典或医疗数据库重点关注 医学专业术语、受限词汇的分类和概念标准化工作，权威且涵 盖范围广，在数量和质量上都有所保障，被医疗行业广泛认可， 是抽取层级间实体关系的首选来源。针对具体的医疗词典、知 识库提供的数据格式和开放 API 接口，可通过爬虫、正则表达 式、D2R 映射等技术从中抽取分层结构，抽取三元组来匹配、 添加上下位关系。 2）不同类型医学实体关系抽取 不同类型医学实体间的语义关系识别大致基于两大不同数 据源而实现。一是百科或其他结构化数据源，如 Medline，UMLS 等；二是半结构化的电子病历。 医学实体类型相对有限（主要是疾病、症状、治疗、药品 等），目前通常在两个实体间预定义好要抽取的关系类型，再将 抽取任务转换为分类问题来处理。如何预定义实体关系目前尚 未有统一的标准，这取决于医学知识图谱构建过程中模式图的 设置、实体识别情况、语料来源、构建目的及应用场景等，如 在 I2B2 2010 评测中，将电子病历中的实体关系分成了医疗问 题与医疗问题、医疗问题与治疗、医疗问题与检查三类。 近几年，Uzuner 团队[35]在句子层面抽取了六类医疗实体关 系，使用实体顺序和距离、链接语法和词汇特征来训练 6 个 SVM 分类器，通过对比实验，指出词汇特征在实体关系识别中 的重要作用。在此基础上，基于 Medline 摘要，Frunza 等[36]
优先出版 袁凯琦,等:医学知识图谱构建技术与研究进展 第35卷第7期 抽取了疾病、治疗间的三种关系,并引入UMLS生物和医疗实科中被称为希舒美,在A+医学百科中别名有阿齐霉素、阿奇 体特征,取得了不错的实验结果。而 Abacha等[37]在同样的任红霉素、叠氮红霉素等,商品名有泰力特、希舒美、舒美特等。 务中使用人工模板和SM的混合模型,取得了9407%的平均因此实体对齐是医学知识融合中非常重要的一步。实体对齐 F值。该研究指出,在样本数较少时,模板匹配方法起主要作是判断多源异构数据中的实体是否指向真实世界同一对象的过 用,而面向海量样本时则SⅤM起主要作用。 此外,在关系识别的分类方法对比研究中, Bruijn等人38 现有的对齐算法有成对实体对齐与集体实体对齐两类。成 在2B22010评测中对比研究了有监督分类和基于 Self-training对实体对齐方法只考虑实例及其属性相似度,包括基于传统概 的半监督分类的表现,表明了UMLS、依存句法分析结果和未率模型的实体对齐方法和基于机器学习的实体对齐方法。前者 标记数据对关系识别有着显著影响。除了预定义关系然后转换以 Fellegi等人将基于属性相似性评分的实体对齐问题转换 为分类任务来处理的方法,还有少量研究采用了模板匹配、统为分类问题的工作为基础,至今仍应用于很多实体对齐工作中 计共现等方法来抽取关系。如在 Medline摘要中通过统计基因后者常用的对齐方法有分类回归树算法S、I3决策树算法、 名的共现来提取关系,并根据共现矩阵生成了关系图围9,或在SvM分类方法、集成学习框架等基于有监督学习的方法 Medline摘要中通过语法依赖树进行图的模式匹配,进而抽取和无监督学习下的层次图模型等基于无监督学习的方法。 因果关系 集体实体对齐在成对实体对齐的基础上在计算实体相似度 1.2.3属性抽取 时加入了实体间的相互关系,分为局部集体实体对齐与全局集 属性抽取是指对属性和属性值对( attribute- value pair,体实体对齐。前者典型算法是使用向量空间模型和余弦相似度 P)的抽取,其中属性的抽取是指为医学实体构造属性列表,计算实体相似性绚,准确率不高,但召回率和运行速度比较可 如药品的属性包括适应症、禁忌症等。属性值的抽取是指为各观。后者通过不同匹配决策之间的相互影响来调整实体间的相 实体附加具体的属性值,如阿莫西林是青霉素过敏者禁用。常似度,又分为基于相似性传播和基于概率模型的集体实体对齐 见的抽取方法包括从开放链接数据提取叫、从结构化数据库提方法。基于相似性传播的方法通过初始匹配以“ bootstrapping 取、从百科类站点提取、从垂直网站进行包装器归纳、以及利方式迭代地产生新的匹配l. Lacoste- Julien等人2在此基础上 用模式匹配从査询日志中提取等。对于医学知识图谱来说,主提出的 SiGMa算法更适合大规模知识库,但需要一定的人工干 要通过上文提及的医学词典和主流医学站点来进行。值得一提预。基于概率模型的方法通过为实体匹配关系和决策建立复杂 的是,前者关于属性和属性值对的描述相对比较稀疏(特别对的概率模型,包括关系贝叶斯网络模型[53]、LDA分配模型 于中文领域),因此需从主流医学站点进一步抽取整合。 [54]、CRF模型561和 Markov逻辑网模型58等,可以提高 对于AVP结构化程度比较高的网站,如维基百科、A+医匹配效果,但效率还有待提高。 学百科等,有规整的信息框( Info Box),可以方便地爬取识别 当来自不同知识源的数据出现数据冲突时,需要考虑知识 InfoBox部分,直接提取该实体对应的属性名和属性值,置信源的可靠性以及不同信息在各知识源中出现的频度等因素。阮 度高,但规模较小。而对于更多形式各异、半结构化的医药站形等人在构建中医药知识图谱时对数据源的可信度进行评 点和垂直文本来说,通常是构建面向站点的包装器,从待抽取分,结合数据在不同来源中出现的次数,对数据项进行排序 站点采样并标注几个典型的详细页面( Detailed pages),利用这并补充到相应的属性值字段中。 些页面通过模式学习自动构建出一个或多个类 Xpath表示的模 随着知识库规模扩大和实体数量的增加,知识库中的实体 式,然后将其应用在该站点的其他详细页面中从而实现自动化对齐越来越受到重视,如何准确高效地实体对齐是未来知识融 的AVP抽取 合的研究重点之一。 1.3医学知识融合 1.3.2知识库融合 知识融合是高层次的知识组织2,使不同来源的知识在同 构建知识库时需求和设计理念不同会导致知识库中数据的 一框架规范下进行数据整合、消歧、加工、推理验证、更新等多样性和异构性。对于庞杂的医疗知识来说,当前多数知识库 步骤?,目的是解决知识复用的问题,增强知识库内部的逻辑性都是针对某个科室或者某类疾病或药物来构建的,比如脾胃病 和表达能力。针对知识图谱中不同粒度的知识对象,知识融合知识库、中医药知识图谱等,若要得到更完善的医疗知识 可细分为实体对齐、知识库的融合等 图谱,需要对不同的医疗知识库进行融合以及将尚未涵盖的知 1.3.1实体对齐 识和不断产生的新知识融合到已有的知识图谱中。医疗知识图 医疗知识图谱中知识来源的多样性导致了知识重复、知识谱的构建是一个不断迭代更新的过程 质量良莠不齐、知识间关联不够明确等问题。医学实体在不同 知识库融合的研究工作始于“本体匹配”,初期针对本体类 的数据源中存在严重的多元指代问题,例如阿奇霉素在百度百别的语义相似性进行匹配。随着知识库规模扩大和结构复杂 化,类别、属性以及实体和它们之间的相互关系等也成为考虑 http://www.a-hospital.com/ 7张坤面向知识图 索技术(搜狗)htp/ wwwcPsc.org.cn/kgl/ 的因素。 Suchanek等人提出的基于概率的知识融合算法
优先出版 袁凯琦，等：医学知识图谱构建技术与研究进展 第 35 卷第 7 期 抽取了疾病、治疗间的三种关系，并引入 UMLS 生物和医疗实 体特征，取得了不错的实验结果。而 Abacha 等[37]在同样的任 务中使用人工模板和 SVM 的混合模型，取得了 94.07%的平均 F 值。该研究指出，在样本数较少时，模板匹配方法起主要作 用，而面向海量样本时则 SVM 起主要作用。 此外，在关系识别的分类方法对比研究中，Bruijn 等人[38] 在 I2B2 2010 评测中对比研究了有监督分类和基于 Self-training 的半监督分类的表现，表明了 UMLS、依存句法分析结果和未 标记数据对关系识别有着显著影响。除了预定义关系然后转换 为分类任务来处理的方法，还有少量研究采用了模板匹配、统 计共现等方法来抽取关系。如在 Medline 摘要中通过统计基因 名的共现来提取关系，并根据共现矩阵生成了关系图[39]，或在 Medline 摘要中通过语法依赖树进行图的模式匹配，进而抽取 因果关系[40]。 1.2.3 属性抽取 属性抽取是指对属性和属性值对（attribute-value pair， AVP）的抽取，其中属性的抽取是指为医学实体构造属性列表， 如药品的属性包括适应症、禁忌症等。属性值的抽取是指为各 实体附加具体的属性值，如阿莫西林是青霉素过敏者禁用。常 见的抽取方法包括从开放链接数据提取[41]、从结构化数据库提 取、从百科类站点提取、从垂直网站进行包装器归纳、以及利 用模式匹配从查询日志中提取等。对于医学知识图谱来说，主 要通过上文提及的医学词典和主流医学站点来进行。值得一提 的是，前者关于属性和属性值对的描述相对比较稀疏（特别对 于中文领域），因此需从主流医学站点进一步抽取整合。 对于 AVP 结构化程度比较高的网站，如维基百科、A+医 学百科6等，有规整的信息框（InfoBox），可以方便地爬取识别 InfoBox 部分，直接提取该实体对应的属性名和属性值，置信 度高，但规模较小。而对于更多形式各异、半结构化的医药站 点和垂直文本来说，通常是构建面向站点的包装器，从待抽取 站点采样并标注几个典型的详细页面(Detailed Pages)，利用这 些页面通过模式学习自动构建出一个或多个类 Xpath 表示的模 式，然后将其应用在该站点的其他详细页面中从而实现自动化 的 AVP 抽取。 1.3 医学知识融合 知识融合是高层次的知识组织[42]，使不同来源的知识在同 一框架规范下进行数据整合、消歧、加工、推理验证、更新等 步骤7，目的是解决知识复用的问题，增强知识库内部的逻辑性 和表达能力。针对知识图谱中不同粒度的知识对象，知识融合 可细分为实体对齐、知识库的融合等。 1.3.1 实体对齐 医疗知识图谱中知识来源的多样性导致了知识重复、知识 质量良莠不齐、知识间关联不够明确等问题。 医学实体在不同 的数据源中存在严重的多元指代问题，例如阿奇霉素在百度百 6 http://www.a-hospital.com/ 7 张坤.面向知识图谱的搜索技术(搜狗) http://www.cipsc.org.cn/kg1/ 科中被称为希舒美，在 A+医学百科中别名有阿齐霉素、阿奇 红霉素、叠氮红霉素等，商品名有泰力特、希舒美、舒美特等。 因此实体对齐是医学知识融合中非常重要的一步。实体对齐[43] 是判断多源异构数据中的实体是否指向真实世界同一对象的过 程。 现有的对齐算法有成对实体对齐与集体实体对齐两类。成 对实体对齐方法只考虑实例及其属性相似度，包括基于传统概 率模型的实体对齐方法和基于机器学习的实体对齐方法。前者 以 Fellegi 等人[44]将基于属性相似性评分的实体对齐问题转换 为分类问题的工作为基础，至今仍应用于很多实体对齐工作中； 后者常用的对齐方法有分类回归树算法[45]、ID3 决策树算法[46]、 SVM 分类方法[47]、集成学习框架[48]等基于有监督学习的方法 和无监督学习下的层次图模型[49]等基于无监督学习的方法。 集体实体对齐在成对实体对齐的基础上在计算实体相似度 时加入了实体间的相互关系，分为局部集体实体对齐与全局集 体实体对齐。前者典型算法是使用向量空间模型和余弦相似度 计算实体相似性[50]，准确率不高，但召回率和运行速度比较可 观。后者通过不同匹配决策之间的相互影响来调整实体间的相 似度，又分为基于相似性传播和基于概率模型的集体实体对齐 方法。基于相似性传播的方法通过初始匹配以“bootstrapping” 方式迭代地产生新的匹配[51]。Lacoste-Julien 等人[52]在此基础上 提出的 SiGMa 算法更适合大规模知识库，但需要一定的人工干 预。基于概率模型的方法通过为实体匹配关系和决策建立复杂 的概率模型，包括关系贝叶斯网络模型[53]、LDA 分配模型 [54]、CRF 模型[55，56]和 Markov 逻辑网模型[57，58]等，可以提高 匹配效果，但效率还有待提高。 当来自不同知识源的数据出现数据冲突时，需要考虑知识 源的可靠性以及不同信息在各知识源中出现的频度等因素。阮 彤等人[59]在构建中医药知识图谱时对数据源的可信度进行评 分，结合数据在不同来源中出现的次数，对数据项进行排序， 并补充到相应的属性值字段中。 随着知识库规模扩大和实体数量的增加，知识库中的实体 对齐越来越受到重视，如何准确高效地实体对齐是未来知识融 合的研究重点之一。 1.3.2 知识库融合 构建知识库时需求和设计理念不同会导致知识库中数据的 多样性和异构性。对于庞杂的医疗知识来说，当前多数知识库 都是针对某个科室或者某类疾病或药物来构建的，比如脾胃病 知识库[60]、中医药知识图谱[4]等，若要得到更完善的医疗知识 图谱，需要对不同的医疗知识库进行融合以及将尚未涵盖的知 识和不断产生的新知识融合到已有的知识图谱中。医疗知识图 谱的构建是一个不断迭代更新的过程。 知识库融合的研究工作始于“本体匹配”，初期针对本体类 别的语义相似性进行匹配[61]。随着知识库规模扩大和结构复杂 化，类别、属性以及实体和它们之间的相互关系等也成为考虑 的因素。Suchanek 等人提出的基于概率的知识融合算法
优先出版 袁凯琦,等:医学知识图谱构建技术与研究进展 第35卷第7期 PARS[62]以两个知识库作为输入,能够高效地跨本体同时对齐 与深度学习将知识图谱作为数据源不同,基于图的推理则 类别、实例、属性和关系。但 PARIS需要一定的人工参与。由将知识图谱视为图,以实体为节点,以关系或属性为边,利用 于人类的精力和认知有限,自动地从Web中获取知识并进行融关系路径来找到节点间的多步路径, Path Ranking算法[75], 合十分必要。Dong等人6提出了将以消除歧义的三元组的形 TRance[76就是利用这样的原理来推断实体间的语义关系。图 式从整个网络中提取事实与使用PRA和神经网络模型两种方数据库[7使知识图谱能以图的数据结构进行存储,与传统数 法从 Freebase图得到的先验知识融合在一起的知识融合方法,据库相比,前者在高维度关联查询的效率明显提高。然而图数 可达到自动构建Wb规模的概率知识库的水准,提升了效率。据库尚未成熟,暂无法完成太复杂的知识推理。较为流行的图 在医疗领域, Dieng- Kuntz等人将医疗数据库转换为医数据库有Neo4j[78], Titan[79], Orient DB80]和 ArangoDB[81 疗本体,然后对其他文本语料使用半自动的语言工具进行语义等。王吴奋等人在医疗质量与患者安全辅助监控系统中,就将 提取,在人工控制下对本体进行扩展和补全,并用启发式规则医疗本体的数据存放在 Allegro Graph图数据库中[27]。 自动建立知识的概念层次。 Aorta等人的将数据源添加到临床 与通用知识图谱相类似,医学知识图谱也还有对跨知识库 信息系统时先确定数据的控制术语是否已经存在,然后将新术知识推理、基于模糊本体的知识推理等问题的研究。 语添加到MED( Medical Entities Dictionary),同时建立审计流1.5质量评估 程以保证引入数据的一致性。 数据的质量直接影响数据的运用,质量评估是保障数据的 目前医疗领域知识图谱的融合技术虽有一些有意义的尝重要手段,可以量化数据质量,筛选出置信度高的数据。医学 试,但仍需要大量人工干预,高效的知识融合算法有待进一步诊断对数据和医学知识图谱的可信度和准确度提出了更高的要 研究。医疗领域的知识图谱也可以考虑采用众包的方式进行知求。质量评估并不是构建医疗知识图谱的最后一步,而是贯穿 识融合。 在知识图谱的整个生命周期:早在2013年本体峰会( Ontology 14医学知识推理 Summ2013)就对本体的生命周期的各个阶段所要进行的评估 推理是从已有知识中挖掘出隐含信息,而知识推理更注重工作做了相关的说明[82] 知识与方法的选择与运用,尽量减少人工参与,推出缺失事实 目前,知识图谱/本体的评估方法可分为四大类:基于黄金 完成问题求解。在医学知识图谱中,知识推理帮助医生完成病标准的方法,基于本体任务应用的方法,数据驱动的方法,和 患数据搜集、疾病诊断与治疗,控制医疗差错率。然而,即使基于指标的方法。表1对比了这几种本体评估方法。 对于相同的疾病,医生也会根据病人状况作出不同的诊断,即 具体到医学领域,本体评估方法因应用场景而异: Clarke 医学知识图谱必须处理大量重复矛盾的信息,这就增加了构建等人使用基于任务评估方法来分析基因本体的从2004至2012 医学推理模型的复杂性 年的性能; Bright等使用本体设计原则和领域专家审查意见 传统的知识推理方法有基于描述逻辑( Description Logic,作为指标来评估本体在抗生素决策支持系统中的效果 DL)推理阿,基于规则推理(Rule- based reasoning,CBR)6 1 Gordon等通过将电子病历,诊断案例和临床实践等来构造“黄 与基于案例推理(Case- based reasoning,CBR)等等。 Bousquet金标准”来评估,改进传染疾病本体 BRIDAL等。为方便用 C等人使用基于 DAML+OIL描述逻辑执行术语推理来改进药户进行本体评估和加快本体评估自动化进程,本体评估工具封 物警戒系统中信号检测[69: Chen r等人采用RBR方法开发出装了评估方法。不同的工具从不同的视角对本体的不同指标进 糖尿病诊断系统以提供用药建议[70]: CARE-PARNER系统则行评估。针对评估的侧重点,选择合适的工具才能对本体作出 是基于CBR给出诊断结果与治疗方案[7叮]等等。 符合应用要求的评估 传统的知识推理方法虽在一定程度推动医疗诊断自动化进 比较常用的本体评估工具有: ODEvall6,OOPS!n, 程,但是也存在学习能力不足,数据利用率不高,准确率待提 Ontomanagerl,core等。除了医学本体,医学知识图谱还 升等明显缺陷,远未达到实际应用的要求。面对日益增长的医涵盖其他复杂多样的信息,因此,质量评估还包括对数据质量 疗数据,诊断时不可避免地会出现信息遗漏,诊断时间延长等专家信息,知识库等方面进行评估。 问题。而人工智能,尤其是人工神经网络( Artificial Neural 相比通用领域的知识图谱,医学领域的知识图谱评估存在 Networks,ANNs)拥有从海量数据挖掘有用信息的天然优势。以下特殊性:a)鉴于医学的严谨性,评估往往综合多种方法进 ART-KNN( ART-Kohonen neural network)与CBR相结合可以行多角度的评估,如 Bright等利用本体设计原则和领域专家审 提高后者在推理故障情况的效率和准确度[72]。神经张量网络查来进行等级评估[84]:b)往往需设置等级较高的警告( alerts), 模型( neural tensor networks)在 Free base等开放本体库上对未如与处方相关的警报包括抗生素-微生物不匹配警报、用药过敏 知关系推理的准确率可达90.0%73]。 Karegowdaa g等人在警报、非推荐的经验性抗生素治疗警报、治疗方案-症状间不匹 Pima印第安人糖尿病知识库(PIDD)中使用了遗传算法配警报等;c)除了从形式方面评价知识图谱以外,也注重于检 ( Genetic algorithm,GA)和反向传播网络( Back Propatation验知识差距,因为知识的全面性和准确性将直接影响临床决策 Network,BPN)的混合模型,诊断准确率提高7%左右[74]。支持的置信度。此外,医学知识图谱是融合计算机科学,医学
优先出版 袁凯琦，等：医学知识图谱构建技术与研究进展 第 35 卷第 7 期 PAIRS[62]以两个知识库作为输入，能够高效地跨本体同时对齐 类别、实例、属性和关系。但 PARIS 需要一定的人工参与。由 于人类的精力和认知有限，自动地从 Web 中获取知识并进行融 合十分必要。Dong 等人[63]提出了将以消除歧义的三元组的形 式从整个网络中提取事实与使用 PRA 和神经网络模型两种方 法从 Freebase 图得到的先验知识融合在一起的知识融合方法， 可达到自动构建 Web 规模的概率知识库的水准，提升了效率。 在医疗领域，Dieng-Kuntz 等人[64]将医疗数据库转换为医 疗本体，然后对其他文本语料使用半自动的语言工具进行语义 提取，在人工控制下对本体进行扩展和补全，并用启发式规则 自动建立知识的概念层次。Baorto 等人[65]将数据源添加到临床 信息系统时先确定数据的控制术语是否已经存在，然后将新术 语添加到 MED( Medical Entities Dictionary)，同时建立审计流 程以保证引入数据的一致性。 目前医疗领域知识图谱的融合技术虽有一些有意义的尝 试，但仍需要大量人工干预，高效的知识融合算法有待进一步 研究。医疗领域的知识图谱也可以考虑采用众包的方式进行知 识融合。 1.4 医学知识推理 推理是从已有知识中挖掘出隐含信息，而知识推理更注重 知识与方法的选择与运用，尽量减少人工参与，推出缺失事实， 完成问题求解。在医学知识图谱中，知识推理帮助医生完成病 患数据搜集、疾病诊断与治疗，控制医疗差错率。然而，即使 对于相同的疾病，医生也会根据病人状况作出不同的诊断，即 医学知识图谱必须处理大量重复矛盾的信息，这就增加了构建 医学推理模型的复杂性。 传统的知识推理方法有基于描述逻辑（Description Logic， DL）推理[66]，基于规则推理（Rule-based Reasoning，CBR）[67] 与基于案例推理（Case-based Reasoning，CBR）[68]等等。Bousquet C 等人使用基于 DAML+OIL 描述逻辑执行术语推理来改进药 物警戒系统中信号检测[69]；Chen R 等人采用 RBR 方法开发出 糖尿病诊断系统以提供用药建议[70]；CARE-PARNER 系统则 是基于 CBR 给出诊断结果与治疗方案[71]等等。 传统的知识推理方法虽在一定程度推动医疗诊断自动化进 程，但是也存在学习能力不足，数据利用率不高，准确率待提 升等明显缺陷，远未达到实际应用的要求。面对日益增长的医 疗数据，诊断时不可避免地会出现信息遗漏，诊断时间延长等 问题。而人工智能，尤其是人工神经网络（Artificial Neural Networks，ANNs）拥有从海量数据挖掘有用信息的天然优势。 ART-KNN（ART-Kohonen neural network）与 CBR 相结合可以 提高后者在推理故障情况的效率和准确度[72]。神经张量网络 模型（neural tensor networks）在 FreeBase 等开放本体库上对未 知关系推理的准确率可达 90.0%[73]。Karegowda A G 等人在 Pima 印第安人糖尿病知识库（PIDD）中使用了遗传算法 （Genetic Algorithm，GA）和反向传播网络（Back Propatation Network，BPN）的混合模型，诊断准确率提高 7%左右[74]。 与深度学习将知识图谱作为数据源不同，基于图的推理则 将知识图谱视为图，以实体为节点，以关系或属性为边，利用 关系路径来找到节点间的多步路径，Path Ranking 算法[75]， PTransE[76]就是利用这样的原理来推断实体间的语义关系。图 数据库[77]使知识图谱能以图的数据结构进行存储，与传统数 据库相比，前者在高维度关联查询的效率明显提高。然而图数 据库尚未成熟，暂无法完成太复杂的知识推理。较为流行的图 数据库有 Neo4j[78]，Titan[79]，OrientDB[80]和 ArangoDB[81] 等。王昊奋等人在医疗质量与患者安全辅助监控系统中，就将 医疗本体的数据存放在 AllegroGraph 图数据库中[27]。 与通用知识图谱相类似，医学知识图谱也还有对跨知识库 知识推理、基于模糊本体的知识推理等问题的研究。 1.5 质量评估 数据的质量直接影响数据的运用，质量评估是保障数据的 重要手段，可以量化数据质量，筛选出置信度高的数据。医学 诊断对数据和医学知识图谱的可信度和准确度提出了更高的要 求。质量评估并不是构建医疗知识图谱的最后一步，而是贯穿 在知识图谱的整个生命周期：早在 2013 年本体峰会（Ontology Summit2013）就对本体的生命周期的各个阶段所要进行的评估 工作做了相关的说明[82]。 目前，知识图谱/本体的评估方法可分为四大类：基于黄金 标准的方法，基于本体任务/应用的方法，数据驱动的方法，和 基于指标的方法。表 1 对比了这几种本体评估方法。 具体到医学领域，本体评估方法因应用场景而异：Clarke 等人使用基于任务评估方法来分析基因本体的从 2004 至 2012 年的性能[83]；Bright 等使用本体设计原则和领域专家审查意见 作为指标来评估本体在抗生素决策支持系统中的效果[84]； Gordon 等通过将电子病历，诊断案例和临床实践等来构造“黄 金标准”来评估，改进传染疾病本体 BCIDO[85]等。为方便用 户进行本体评估和加快本体评估自动化进程，本体评估工具封 装了评估方法。不同的工具从不同的视角对本体的不同指标进 行评估。针对评估的侧重点，选择合适的工具才能对本体作出 符合应用要求的评估。 比较常用的本体评估工具有：ODEval[86]，OOPS！[87]， OntoManager[88]，Core[89]等。除了医学本体，医学知识图谱还 涵盖其他复杂多样的信息，因此，质量评估还包括对数据质量， 专家信息，知识库等方面进行评估。 相比通用领域的知识图谱，医学领域的知识图谱评估存在 以下特殊性：a）鉴于医学的严谨性，评估往往综合多种方法进 行多角度的评估，如 Bright 等利用本体设计原则和领域专家审 查来进行等级评估[84]；b）往往需设置等级较高的警告（alerts）， 如与处方相关的警报包括抗生素-微生物不匹配警报、用药过敏 警报、非推荐的经验性抗生素治疗警报、治疗方案-症状间不匹 配警报等;c）除了从形式方面评价知识图谱以外，也注重于检 验知识差距，因为知识的全面性和准确性将直接影响临床决策 支持的置信度。此外，医学知识图谱是融合计算机科学，医学
优先出版 袁凯琦,等:医学知识图谱构建技术与研究进展 第35卷第7期 等众多学科的交叉学科,评价指标不能简单地照搬某个的学科的指标,而是应该综合考虑众多因素。 表1知识图谱/本体评估方法 介绍 评价层次 优点 基于黄金 将所构建的本体与一个现有公认的比较成熟的 词汇数据层,层级分类层 黄金指标”可能难以寻 标准的本 体评估金标准”(本体)比较,罗列出其不足并进行改进。 语法层,语义层 找或并不存在 基于本体 一个特定应用环境中,测试一组本体,看哪个本体 最适合该应用,这些应用包括语义网、信息抽取、词汇数据层,层级分类层,直接面向本体应用,依赖具体应用,可移植性 的本体评 语义层,内容或应用层 富有针对性 和通用性较差 信息检索等。 估 通过衡量本体与领域语料的匹配度或本体的领域覆 数据驱动 盖度来评估本体,或使用其他参考数据 体词汇数据层,层级分类 相对于专家主观评领域本体的选择本身也存 的本体评 估更为客观,方法新在评估问题,评估范围主 评估过程,这种方法常常和文本分析、机器学习技 语义层 颖多样,易于验证要限定于本体概念覆盖度 术结合。 基于指标 词汇数据层,层级分类层 基于一套预先定义好的原则,准则,标准等进行评 的本体评 义层,内容或应用层,语指标体系具有全面会出现指标过多难以统 估的方法,其多是从构建本体的原则来评估本体。 性和通用性 的问题 估 法层,系统架构设计层 因此,除了借鉴通用知识图谱质量评估方法, Ammenwerth在医学本体的基础上,使用LSA自动挖掘实体间的语义关 E等人结合医学本身的特点,就评价医学知识图谱时面临的评系,如药物诱导疾病关系、药物间相互作用关系等,对实体 价对象的复杂度,评价指标与利益相关者的关系,评价动机三关系、实体-实体的查询进行了扩展。中国中医科学院的贾李蓉 大问题出发,分别提出解决方案。 等于2002年开始研制中医药学语言系统,构建了包含12万 不难看出,医学知识图谱质量评估的研究主要集中在方法,多个概念、60余万术语以及127余万语义关系的中医药知识图 工具以及的研究这三方面。然而,现有的质量评估缺乏系统化,谱。它通过在检索系统中嵌入“知识卡片”以及一个“知识 鲜有从医学领域特性的角度对知识图谱进行综合评估,多是借地图”展示系统,将中医领域概念可视化,用户可以选择其中 鉴通用的质量评估方法从微观上去评估某一项指标,具有分散的概念开始构造查询或搜索。 性,片面性 目前,国外典型的医疗专用搜索引擎有 WebMd8 2医学知识图谱应用 OmniMedicalSearch9、 Healthline0等。其中 WebMd和 OmniMedicalSearch分别属于全文索引和目录索引类型的传统 随着人们对健康问题的愈发重视,医疗保健费用、需求的搜索引擎, Healthline是一个基于知识库的医学信息搜索引擎, 增长与优质医疗资源不足之间的矛盾亟待解决。对此,由于近其知识库涵盖超850,000项医疗元数据和50,000条相互关联 几年人工智能的飞速发展以及精准医疗、智慧医疗的提出,医的概念。 Google率先提出将知识图谱应用于搜索,在医疗搜索 学知识图谱应用正受到国内外企业、学界的广泛关注,有望带应用上,当用户搜索疾病或症状时, Google提供超过400种健 来更廉价、高效、精准的医疗建议和诊断。本文可以从已有的康状况的数据,通过一张信息卡片,给出典型症状以及如是否 医学知识图谱的应用中一窥其巨大潜力 严重、是否具有传染性、影响哪些年龄段的人等细节信息。而 2.1医疗信息搜索引擎 国内主流医疗搜索引擎有搜狗名医11360良医12,这两者都是 传统的医疗搜索引擎需要对百亿计的医疗相关网页进行检结合了元搜索索引方式和知识库的搜索引擎,聚合权威的知识 索、存储、处理,但难以理解用户的语义査询。而基于医学知医疗、学术网站,为用户提供包括维基百科、知乎问答、国际 识图谱的搜索,不仅提供用户网页间超链接的文档关系,还包前沿学术论文等权威、真实内容 括不同类型实体间丰富的语义关系 基于知识图谱的搜索引擎已成为现今搜索引擎的主要形 知识图谱对于传统信息搜索的优化主要体现在查询扩展,式,其技术框架也在不断改进和完善。目前的医疗搜索引擎主 从知识图谱中抽取与查询相关的若干实体及实体关系和属性进要受限于医学知识图谱的知识数量和质量,构建完备的医学知 行扩展查询,以更好的理解用户的查询需求。 Arons等人pn识图谱是其关键 较早将信息检索技术结合UMLS进行查询扩展,并应用于医学 文献检索。 Di azgaliano等人P在生物医学信息搜索中加入了医 9http://www.omnimedicalsearch.com/ 学本体MeSH例来进行查询扩展,包含同义、近似同义和密切 ttp//www.healthli 相关概念的实体和关系,改进了信息检索的效果。 Huang等人 Iihttp://mingyi.sogoucom/ 2http://ly.so.com/
优先出版 袁凯琦，等：医学知识图谱构建技术与研究进展 第 35 卷第 7 期 等众多学科的交叉学科，评价指标不能简单地照搬某个的学科 的指标，而是应该综合考虑众多因素。 表 1 知识图谱/本体评估方法 评估方法 介绍 评价层次 优点 缺点 基于黄金 标准的本 体评估 将所构建的本体与一个现有公认的比较成熟的“黄 金标准”（本体）比较，罗列出其不足并进行改进。 词汇数据层，层级分类层 ， 语法层，语义层 客观 “黄金指标”可能难以寻 找或并不存在。 基于本体 任务/应用 的本体评 估 一个特定应用环境中，测试一组本体，看哪个本体 最适合该应用，这些应用包括语义网、信息抽取、 信息检索等。 词汇数据层，层级分类层， 语义层，内容或应用层 直接面向本体应用， 富有针对性 依赖具体应用，可移植性 和通用性较差 数据驱动 的本体评 估 通过衡量本体与领域语料的匹配度或本体的领域覆 盖度来评估本体，或使用其他参考数据来辅助本体 评估过程，这种方法常常和文本分析、 机器学习技 术结合。 词汇数据层，层级分类层， 语义层 相对于专家主观评 估更为客观，方法新 颖多样，易于验证 领域本体的选择本身也存 在评估问题，评估范围主 要限定于本体概念覆盖度 基于指标 的本体评 估 基于一套预先定义好的原则，准则，标准等进行评 估的方法，其多是从构建本体的原则来评估本体。 词汇数据层，层级分类层， 语义层，内容或应用层，语 法层，系统架构设计层 指标体系具有全面 性和通用性 会出现指标过多难以统一 的问题 因此，除了借鉴通用知识图谱质量评估方法，Ammenwerth E 等人结合医学本身的特点，就评价医学知识图谱时面临的评 价对象的复杂度，评价指标与利益相关者的关系，评价动机三 大问题出发，分别提出解决方案[90]。 不难看出，医学知识图谱质量评估的研究主要集中在方法， 工具以及的研究这三方面。然而，现有的质量评估缺乏系统化， 鲜有从医学领域特性的角度对知识图谱进行综合评估，多是借 鉴通用的质量评估方法从微观上去评估某一项指标，具有分散 性，片面性。 2 医学知识图谱应用 随着人们对健康问题的愈发重视，医疗保健费用、需求的 增长与优质医疗资源不足之间的矛盾亟待解决。对此，由于近 几年人工智能的飞速发展以及精准医疗、智慧医疗的提出，医 学知识图谱应用正受到国内外企业、学界的广泛关注，有望带 来更廉价、高效、精准的医疗建议和诊断。本文可以从已有的 医学知识图谱的应用中一窥其巨大潜力。 2.1 医疗信息搜索引擎 传统的医疗搜索引擎需要对百亿计的医疗相关网页进行检 索、存储、处理，但难以理解用户的语义查询。而基于医学知 识图谱的搜索，不仅提供用户网页间超链接的文档关系，还包 括不同类型实体间丰富的语义关系。 知识图谱对于传统信息搜索的优化主要体现在查询扩展， 从知识图谱中抽取与查询相关的若干实体及实体关系和属性进 行扩展查询，以更好的理解用户的查询需求。Aronso 等人[91] 较早将信息检索技术结合 UMLS 进行查询扩展，并应用于医学 文献检索。Díazgaliano 等人[92]在生物医学信息搜索中加入了医 学本体 MeSH[93]来进行查询扩展，包含同义、近似同义和密切 相关概念的实体和关系，改进了信息检索的效果。Huang 等人 [94]在医学本体的基础上，使用 LSA 自动挖掘实体间的语义关 系，如药物诱导疾病关系、药物间相互作用关系等，对实体- 关系、实体-实体的查询进行了扩展。中国中医科学院的贾李蓉 等于 2002 年开始研制中医药学语言系统[95]，构建了包含 12 万 多个概念、60 余万术语以及 127 余万语义关系的中医药知识图 谱[96]。它通过在检索系统中嵌入“知识卡片”以及一个“知识 地图”展示系统，将中医领域概念可视化，用户可以选择其中 的概念开始构造查询或搜索。 目 前 ，国 外 典 型 的 医 疗专 用 搜 索引 擎 有 WebMd 8、 OmniMedicalSearch 9 、 Healthline 10 等 。 其 中 WebMd 和 OmniMedicalSearch 分别属于全文索引和目录索引类型的传统 搜索引擎，Healthline 是一个基于知识库的医学信息搜索引擎， 其知识库涵盖超 850，000 项医疗元数据和 50,000 条相互关联 的概念。Google 率先提出将知识图谱应用于搜索，在医疗搜索 应用上，当用户搜索疾病或症状时，Google 提供超过 400 种健 康状况的数据，通过一张信息卡片，给出典型症状以及如是否 严重、是否具有传染性、影响哪些年龄段的人等细节信息。而 国内主流医疗搜索引擎有搜狗名医11、360 良医12，这两者都是 结合了元搜索索引方式和知识库的搜索引擎，聚合权威的知识、 医疗、学术网站，为用户提供包括维基百科、知乎问答、国际 前沿学术论文等权威、真实内容。 基于知识图谱的搜索引擎已成为现今搜索引擎的主要形 式，其技术框架也在不断改进和完善。目前的医疗搜索引擎主 要受限于医学知识图谱的知识数量和质量，构建完备的医学知 识图谱是其关键。 8 http://www.webmd.com/ 9 http://www.omnimedicalsearch.com/ 10 http://www.healthline.com/ 11 http://mingyi.sogou.com/ 12 http://ly.so.com/
优先出版 袁凯琦,等:医学知识图谱构建技术与研究进展 第35卷第7期 2.2医疗问答系统 人2通过搜集中文开放链接数据中的医疗信息(ICD9、ICD10 问答系统也是知识图谱的典型应用场景。目前在基于知识等)和主流医学站点中的医疗知识(39健康网、寻医问药等) 图谱的问答系统中采用的方法主要包括:基于信息提取的方法构建了医疗知识图谱,并将其应用于上海林康医疗信息技术有 ,利用问句信息结合知识库资源获取候选答案:基于语义解限公司的医疗质量与患者安全辅助监控系统和处方审核智能系 析的方法,将自然语言问句解析成一种逻辑表达形式8,通过统中,前者基于知识图谱来进行抗生素不合理使用的监控、危 这种结构化表达从知识库中寻找答案:基于向量空间建模的方急值预测,后者快速判断处方为合理、疑似不合理和不规范处 法叫,使用向量空间描述自然语言问句以及知识图谱中的实体方,从而促进用药的合理性 和关系,通过机器学习、深度学习等方法生成问答模型进行回将知识图谱应用于医疗决策是目前的研究热点。但是,在 实际应用中,主要存在着两方面的问题:一是缺少完备的全科 早期的医疗问答系统的研究主要集中于信息检索、提取和医学知识图谱,二是医疗决策的可靠性。对于前者,目前基于 摘要技术m0。知识图谱概念的提出,致使问答系统研究热知识图谱实际应用的医疗决策系统,主要还是针对于特定疾病 转移到基于知识图谱的问答系统研究。 Terol!1o等人使用了类型的决策,无法广泛应用,如IBM的 Watson Health主要面 UMLS以及 WordNet两种知识库,设置了10类医学问题类型,向肿瘤和癌症的决策支持,基于巨大的知识库和强大的认知计 利用自然语言处理技术的应用来生成和处理问题的逻辑形式,算能力,为临床医师提供快速的、个性化的循证肿瘤治疗方案 从知识库中提取答案。 Abacha等人10对比了基于医学本体的对于后者,医疗决策是直接关系到使用者的身体健康问题,依 医疗问答系统,结合医学本体、领域知识,NLP相关技术和语靠人工智能进行医疗决策对结果的准确性和可靠性有更高的要 义关系,实现了一个医疗自动问答系统。华东理工大学阮形、求。现阶段,基于知识图谱的医疗决策只是扮演着支持和辅助 王吴奋等人与上海曙光医院合作构建了包括疾病库、证库 的角色 症状库、中草药库和方剂库的中医药知识图谱,并基于该知识 图谱进行中医药问答和辅助开药。该系统通过基于知识图谱的3挑战及研究展望 分词、模板匹配、模板的翻译执行来回答概念、实体、属性 知识图谱是语义网与知识库的融合与升华。知识图谱的优 性值的模板组合问题,并将图谱中存储的数据自动转换成推势是具备强大的语义处理与开放互联能力。对医学领域而言 理引擎适用的推理规则,再结合医生工作站传来的病人事实数由于其专业性、规范性、术语有限性等特点,可以从医学词典、 据,辅助医生开方 医学标准、电子病历等来源获取到高质量数据:另外在科教行 在医疗垂直领域的问答系统研究中,受限于现有医学知识业中,存在着知识管理、语义检索、商业分析、决策支持等需 图谱的推理能力,以及医学知识表示的复杂性,尚未出现重大求,医学知识图谱的研究能推进海量数据的智能处理,催生上 的突破。而反观开放领域,对特定领域专业知识要求不高的情层智能医学的应用。医学知识图谱是大数据与医学的结合,将 况下,IBM的 Watson系统、微软的小冰υ3都是融合传统问答系成为知识图谱和大数据智能的前沿问题, 统和知识图谱的成功案例 1)人工智能 23医疗决策支持系统 人工智能,尤其是深度学习己经在计算机视觉、语音识别 借助医疗知识图谱,医疗决策支持系统可以根据患者症状机器翻译等领域超越了传统算法,而其在医学领域中的知识融 描述及化验数据,给出智能诊断、治疗方案推荐及转诊指南,合与推理等方面的研究潜力还有待挖掘。拥有强大学习能力的 还可以针对医生的诊疗方案进行分析、查漏补缺,减少甚至避深度学习与有着丰富数据储备的知识库相结合,将逐步扩展认 免误诊 知能力,为大规模知识图谱找到更宽广的应用场景。 Angel等人lo设计了一个本体驱动的,基于逻辑推理和概 2)复杂多样的数据源(跨语言,开放域 率统计优化的医学鉴别诊断系统ODDN,系统的知识库框架包 互联网和电子病例带来了医疗数据的爆炸性增长,然而 含一个逻辑规则知识库和一个医学本体知识库,在逻辑规则知些数据在语种、主题、存储等方面都存在较大差异。现有的研 识库中,定义了四种逻辑规则,而医学本体知识库则是综合了究成果多集中在特定数据集上,普遍存在算法准确率低、限制 多个医学本体资源,支持多种本体表示形式,包括RDF、RDFS、条件多、扩展性差等问题,同时知识复用、实体消歧等问题也 OwL和 SPARQL,诊断方法的核心是基于贝叶斯理论进行改有待进一步研究。跨语言医学知识图谱成为当前的研究热点 进。 Martinez- Romero等人o设计的iOSC3系统是一个基于本我国的研究者更应发挥自身在中文信息处理方面的优势。 体针对急性心脏病进行智能监控和诊断的系统,该系统分析患 3)众包技术 者的状况并提供最佳治疗方案的建议,其知识库由OWL本体 众包反馈机制不仅可以有效提高数据质量[43],还能作为 和表示专家知识的一组SwRL规则所构成。王吴奋、张金康等质量评估的重要补充。众包平台与知识库的有机结合,能够修 正机器无法识别的错误,提高知识图谱的质量与性能。39健康 http://www.msxiaoice.com/ 网,寻医问药网的问答区都有专业人士在线解答问题:A+医药
优先出版 袁凯琦，等：医学知识图谱构建技术与研究进展 第 35 卷第 7 期 2.2 医疗问答系统 问答系统也是知识图谱的典型应用场景。目前在基于知识 图谱的问答系统中采用的方法主要包括：基于信息提取的方法 [97]，利用问句信息结合知识库资源获取候选答案；基于语义解 析的方法，将自然语言问句解析成一种逻辑表达形式[98]，通过 这种结构化表达从知识库中寻找答案；基于向量空间建模的方 法[99]，使用向量空间描述自然语言问句以及知识图谱中的实体 和关系，通过机器学习、深度学习等方法生成问答模型进行回 答。 早期的医疗问答系统的研究主要集中于信息检索、提取和 摘要技术[100-102]。知识图谱概念的提出，致使问答系统研究热 点转移到基于知识图谱的问答系统研究。Terol[103]等人使用了 UMLS 以及 WordNet 两种知识库，设置了 10 类医学问题类型， 利用自然语言处理技术的应用来生成和处理问题的逻辑形式， 从知识库中提取答案。Abacha 等人[104]对比了基于医学本体的 医疗问答系统，结合医学本体、领域知识，NLP 相关技术和语 义关系，实现了一个医疗自动问答系统。华东理工大学阮彤、 王昊奋等人[4]与上海曙光医院合作构建了包括疾病库、证库、 症状库、中草药库和方剂库的中医药知识图谱，并基于该知识 图谱进行中医药问答和辅助开药。该系统通过基于知识图谱的 分词、模板匹配、模板的翻译执行来回答概念、实体、属性、 属性值的模板组合问题，并将图谱中存储的数据自动转换成推 理引擎适用的推理规则，再结合医生工作站传来的病人事实数 据，辅助医生开方。 在医疗垂直领域的问答系统研究中，受限于现有医学知识 图谱的推理能力，以及医学知识表示的复杂性，尚未出现重大 的突破。而反观开放领域，对特定领域专业知识要求不高的情 况下，IBM 的 Watson 系统、微软的小冰13都是融合传统问答系 统和知识图谱的成功案例。 2.3 医疗决策支持系统 借助医疗知识图谱，医疗决策支持系统可以根据患者症状 描述及化验数据，给出智能诊断、治疗方案推荐及转诊指南， 还可以针对医生的诊疗方案进行分析、查漏补缺，减少甚至避 免误诊。 Ángel 等人[105]设计了一个本体驱动的，基于逻辑推理和概 率统计优化的医学鉴别诊断系统 ODDIN，系统的知识库框架包 含一个逻辑规则知识库和一个医学本体知识库，在逻辑规则知 识库中，定义了四种逻辑规则，而医学本体知识库则是综合了 多个医学本体资源，支持多种本体表示形式，包括 RDF、RDFS、 OWL 和 SPARQL，诊断方法的核心是基于贝叶斯理论进行改 进。Martnez-Romero 等人[106]设计的 iOSC3 系统是一个基于本 体针对急性心脏病进行智能监控和诊断的系统，该系统分析患 者的状况并提供最佳治疗方案的建议，其知识库由 OWL 本体 和表示专家知识的一组 SWRL 规则所构成。王昊奋、张金康等 13 http://www.msxiaoice.com/ 人[27]通过搜集中文开放链接数据中的医疗信息（ICD9、ICD10 等）和主流医学站点中的医疗知识（39 健康网、寻医问药等） 构建了医疗知识图谱，并将其应用于上海林康医疗信息技术有 限公司的医疗质量与患者安全辅助监控系统和处方审核智能系 统中，前者基于知识图谱来进行抗生素不合理使用的监控、危 急值预测，后者快速判断处方为合理、疑似不合理和不规范处 方，从而促进用药的合理性。 将知识图谱应用于医疗决策是目前的研究热点。但是，在 实际应用中，主要存在着两方面的问题：一是缺少完备的全科 医学知识图谱，二是医疗决策的可靠性。对于前者，目前基于 知识图谱实际应用的医疗决策系统，主要还是针对于特定疾病 类型的决策，无法广泛应用，如 IBM 的 Watson Health 主要面 向肿瘤和癌症的决策支持，基于巨大的知识库和强大的认知计 算能力，为临床医师提供快速的、个性化的循证肿瘤治疗方案。 对于后者，医疗决策是直接关系到使用者的身体健康问题，依 靠人工智能进行医疗决策对结果的准确性和可靠性有更高的要 求。现阶段，基于知识图谱的医疗决策只是扮演着支持和辅助 的角色。 3 挑战及研究展望 知识图谱是语义网与知识库的融合与升华。知识图谱的优 势是具备强大的语义处理与开放互联能力。对医学领域而言， 由于其专业性、规范性、术语有限性等特点，可以从医学词典、 医学标准、电子病历等来源获取到高质量数据；另外在科教行 业中，存在着知识管理、语义检索、商业分析、决策支持等需 求，医学知识图谱的研究能推进海量数据的智能处理，催生上 层智能医学的应用。医学知识图谱是大数据与医学的结合，将 成为知识图谱和大数据智能的前沿问题。 1）人工智能 人工智能，尤其是深度学习已经在计算机视觉、语音识别、 机器翻译等领域超越了传统算法，而其在医学领域中的知识融 合与推理等方面的研究潜力还有待挖掘。拥有强大学习能力的 深度学习与有着丰富数据储备的知识库相结合，将逐步扩展认 知能力，为大规模知识图谱找到更宽广的应用场景。 2）复杂多样的数据源（跨语言，开放域） 互联网和电子病例带来了医疗数据的爆炸性增长，然而这 些数据在语种、主题、存储等方面都存在较大差异。现有的研 究成果多集中在特定数据集上，普遍存在算法准确率低、限制 条件多、扩展性差等问题，同时知识复用、实体消歧等问题也 有待进一步研究。跨语言医学知识图谱成为当前的研究热点， 我国的研究者更应发挥自身在中文信息处理方面的优势。 3）众包技术 众包反馈机制不仅可以有效提高数据质量[43]，还能作为 质量评估的重要补充。众包平台与知识库的有机结合，能够修 正机器无法识别的错误，提高知识图谱的质量与性能。39 健康 网，寻医问药网的问答区都有专业人士在线解答问题；A+医药
优先出版 袁凯琦,等:医学知识图谱构建技术与研究进展 第35卷第7期 百科中的药物信息由医学研究者共同编辑完成。而另一方面,0 Stevens r, Baker p, Bechhofer s,eta. TAMBIS: Transparent Access 如何评估和保障提交结果的质量,也开始受到国内外学者的关 Multiple Bioinformatics Information Sources [J). Bioinformatics200016 注 4)可视化 1]刘知远,孙茂松,林衍凯,等,知识表示学习研究进展凹计算机研 知识图谱可视化的真正意义在于让人直观地了解推理的过 究与发展,2016,53(2):247-261 程与结果。而医学知识图谱可视化站在医生或病人的立场,寻[12] Turian j, Ratinov L, Bengio y. Word representations: a simple and general 求最佳的知识展示方案:病人能够理解诊断结果,医生能够利 method for semi-supervised learning ICy/ Proc of the 48th Annual Meeting 用知识图谱的动态推理过程作出合理诊断 of the Association For Computational Linguistics. Association for Computational Linguistics, 2010: 384-394. 4结束语 [13] Bordes A, Weston J, Collobert R, et al. Learning structured embeddings of 随着医疗信息化的发展,医学电子数据有了一定的积累。 knowledge bases IC]/ Proc of Conference on Artificial Intelligence. 2011 构建医疗领域的知识图谱,可以从海量数据中提炼出医疗知识,[4] Socher r, Chen d, Manning C d,etal. Reasoning with neural tensor 并合理高效地对其进行管理、共享及应用,对当今的医疗行业 networks for knowledge base completion IC) Advances in Neural 有着重要意义,也是很多企业和研究机构的研究热点。本文从 Information Processing Systems. 2013: 926-934 医疗知识图谱的构建与应用角度,综述了医疗知识图谱的相关15] Jenatton r, ROUx NL, bordes a,etal. A latent factor model for highly 背景、现有技术和应用,总结了目前医疗知识图谱面临的主要 multi-relational data [CH/ Advances in Neural Information Processing 挑战,并对其未来的研究方向进行了展望。 Systems.2012:3167-3175 医学知识图谱将知识图谱与医学知识进行结合,定会推进16] bordes a, Usunier N, Garcia-Duran a,eta. Translating embeddings for 医学数据的自动化与智能化处理,为医疗行业带来新的发展契 modeling multi-relational data [CI Advances in information 机。虽然目前对于医疗知识图谱的研究工作有了很多很有意义 rocessing systems. 2013: 2787-2795 的尝试,但总的来说还不够完善和深入,需要更进一步的研究。[17] Kleyko D. Khan s, Osipov E,etal. Modality classification of medical 希望本文能够为医疗知识图谱在国内的研究提供一些帮助与启 images with distributed representations based on cellular automata eservoir computing ICy Proc of IEEE International Symposium on Biomedical Imaging 2017. 18 Henriksson A, Zhao J, Dalianis H, et al. Ensembles of randomized trees 参考文献 [1] Singhal A. Introducing the knowledge graph: things, not strings [EB/OLI Medical Informatics and Decision Making, 2016, 16(2): 69. Officialgoogleblog,2012.https://googleblog.blogspot..co.[19侯丽,钱庆,黄利辉,等,基于本体的临床医学知识库系统构建探讨 za/2012/05/introducing- knowledge-graph-things-not html 医乎信息学杂志,2011,32(4):42-47 [2] Amarilli A, Galarraga L, Preda N, et al. Recent Topics of Research around [20]Nadkarni P, Chen R, Brandt C. UMLS concept indexing for production the YAGO Knowledge Base [M/ Web Technologies and Applications. databases UJ]. Journal of the American Medical Informatics Association, Springer International Publishing, 2014: 1-12 2001,8(1):80-91 [3] Auer S, Bizer C, Kobilarov Gi et al. DBpedia: A Nucleus for a Web of [21]Friedman C, Alderson PO, Austin J M, et al. A general natural-language Open Data [My/ The Semantic Web. Springer Berlin Heidelberg, 2007 text processor for clinical radiology [J] Journal of the American Medical 4]中医药知识图谱构建与应用团医学信息学杂志,2016,37(4):8-13 formatics Association, 1994, 1(2): 161-174 S]顾琳,基于领域本体的亚健康中医辅助诊断系统的研究及应用[D]-口22 I Wu S T, LIu h. li d.eta. FOCUS on clinical research informatics 昆明:云南师范大学,2008 Unified Medical Language System term occurrences in clinical notes:a 16] Computer-based medical consultations: MYCIN (M). Elsevier, 2012. large-scale corpus analysis J]. Journal of the American Medical [7] Redei G P. Encyclopedia of Genetics, Genomics, Proteomics and Informatics Association Jamia, 2012, 19(e1): 149-56. Informatics [M]. Springer Netherlands, 2008 23]Smith C A, Stavri P Z. Consumer Health Vocabulary [MJ/ Consumer [8] Singhal A wledge graph: things, not strings [ EB/OL Health Informatics. 2005: 122-128 [24] Uzuner O, South B R, Shen S, et al. 2010 i2b2//VA challenge on concepts, za/2012/05/introducing-knowledge-graph-things-not. htmL. ssertions, and relations in clinical text. UJ. Jourmal of the American 19] Ceusters W, Martens P, Dhaen C, et al. Link Factory: an advanced formal Medical Informatics Association, 2011, 18(5): 552-6 ontology management System IC] Proc of Interactive Tools for [25] Dogan RI, Leaman R, Lu Z NCBI disease corpus: a resource for disease Knowledge Capture Workshop. 2001: 175-204 name recognition and concept normalization. J]. Joumal of Biomedical
优先出版 袁凯琦，等：医学知识图谱构建技术与研究进展 第 35 卷第 7 期 百科中的药物信息由医学研究者共同编辑完成。而另一方面， 如何评估和保障提交结果的质量，也开始受到国内外学者的关 注。 4）可视化 知识图谱可视化的真正意义在于让人直观地了解推理的过 程与结果。而医学知识图谱可视化站在医生或病人的立场，寻 求最佳的知识展示方案：病人能够理解诊断结果，医生能够利 用知识图谱的动态推理过程作出合理诊断。 4 结束语 随着医疗信息化的发展，医学电子数据有了一定的积累。 构建医疗领域的知识图谱，可以从海量数据中提炼出医疗知识， 并合理高效地对其进行管理、共享及应用，对当今的医疗行业 有着重要意义，也是很多企业和研究机构的研究热点。本文从 医疗知识图谱的构建与应用角度，综述了医疗知识图谱的相关 背景、现有技术和应用，总结了目前医疗知识图谱面临的主要 挑战，并对其未来的研究方向进行了展望。 医学知识图谱将知识图谱与医学知识进行结合，定会推进 医学数据的自动化与智能化处理，为医疗行业带来新的发展契 机。虽然目前对于医疗知识图谱的研究工作有了很多很有意义 的尝试，但总的来说还不够完善和深入，需要更进一步的研究。 希望本文能够为医疗知识图谱在国内的研究提供一些帮助与启 发。 参考文献： [1] Singhal A. Introducing the knowledge graph: things, not strings [EB/OL]. Official google blog, 2012. https://googleblog. blogspot. co. za/2012/05/introducing-knowledge-graph-things-not. html. [2] Amarilli A, Galárraga L, Preda N, et al. Recent Topics of Research around the YAGO Knowledge Base [M]// Web Technologies and Applications. Springer International Publishing, 2014: 1-12. [3] Auer S, Bizer C, Kobilarov G, et al. DBpedia: A Nucleus for a Web of Open Data [M]// The Semantic Web. Springer Berlin Heidelberg, 2007. [4] 中医药知识图谱构建与应用 [J]. 医学信息学杂志, 2016, 37 (4): 8-13. [5] 顾琳. 基于领域本体的亚健康中医辅助诊断系统的研究及应用 [D]. 昆明: 云南师范大学, 2008. [6] Computer-based medical consultations: MYCIN [M]. Elsevier, 2012. [7] Rédei G P. Encyclopedia of Genetics, Genomics, Proteomics and Informatics [M]. Springer Netherlands, 2008. [8] Singhal A. Introducing the knowledge graph: things, not strings [EB/OL]. Official google blog, 2012. https://googleblog. blogspot. co. za/2012/05/introducing-knowledge-graph-things-not. html. [9] Ceusters W, Martens P, Dhaen C, et al. LinkFactory: an advanced formal ontology management System [C]// Proc of Interactive Tools for Knowledge Capture Workshop. 2001: 175-204. [10] Stevens R, Baker P, Bechhofer S, et al. TAMBIS: Transparent Access to Multiple Bioinformatics Information Sources [J]. Bioinformatics, 2000, 16 (2): 184. [11] 刘知远, 孙茂松, 林衍凯, 等. 知识表示学习研究进展 [J]. 计算机研 究与发展, 2016, 53 (2): 247-261. [12] Turian J, Ratinov L, Bengio Y. Word representations: a simple and general method for semi-supervised learning [C]// Proc of the 48th Annual Meeting of the Association For Computational Linguistics. Association for Computational Linguistics, 2010: 384-394. [13] Bordes A, Weston J, Collobert R, et al. Learning structured embeddings of knowledge bases [C]// Proc of Conference on Artificial Intelligence. 2011. [14] Socher R, Chen D, Manning C D, et al. Reasoning with neural tensor networks for knowledge base completion [C]// Advances in Neural Information Processing Systems. 2013: 926-934. [15] Jenatton R, Roux N L, Bordes A, et al. A latent factor model for highly multi-relational data [C]// Advances in Neural Information Processing Systems. 2012: 3167-3175. [16] Bordes A, Usunier N, Garcia-Duran A, et al. Translating embeddings for modeling multi-relational data [C]// Advances in neural information processing systems. 2013: 2787-2795. [17] Kleyko D, Khan S, Osipov E, et al. Modality classification of medical images with distributed representations based on cellular automata reservoir computing [C]// Proc of IEEE International Symposium on Biomedical Imaging. 2017. [18] Henriksson A, Zhao J, Dalianis H, et al. Ensembles of randomized trees using diverse distributed representations of clinical events [J]. BMC Medical Informatics and Decision Making, 2016, 16 (2): 69. [19] 侯丽, 钱庆, 黄利辉, 等. 基于本体的临床医学知识库系统构建探讨 [J]. 医学信息学杂志, 2011, 32 (4): 42-47. [20] Nadkarni P, Chen R, Brandt C. UMLS concept indexing for production databases [J]. Journal of the American Medical Informatics Association, 2001, 8 (1): 80-91. [21] Friedman C, Alderson P O, Austin J H M, et al. A general natural-language text processor for clinical radiology [J]. Journal of the American Medical Informatics Association, 1994, 1 (2): 161-174. [22] Wu S T, Liu H, Li D, et al. FOCUS on clinical research informatics: Unified Medical Language System term occurrences in clinical notes: a large-scale corpus analysis [J]. Journal of the American Medical Informatics Association Jamia, 2012, 19 (e1): 149-56. [23] Smith C A, Stavri P Z. Consumer Health Vocabulary [M]// Consumer Health Informatics. 2005: 122-128. [24] Uzuner Ö, South B R, Shen S, et al. 2010 i2b2//VA challenge on concepts, assertions, and relations in clinical text. [J]. Journal of the American Medical Informatics Association, 2011, 18 (5): 552-6. [25] Doğan RI, Leaman R, Lu Z. NCBI disease corpus: a resource for disease name recognition and concept normalization. [J]. Journal of Biomedical
优先出版 袁凯琦,等:医学知识图谱构建技术与研究进展 第35卷第7期 Informatics, 2014, 47(2): 1-10 Pac Symp Biocomput. 2000, 5: 529-540 [26] Kazama J, Makino T, Ohta Y, et al. Tuning support vector machines for [40] Khoo C SG Chan S, Niu Y Extracting causal knowledge from a medical biomedical named entity recognition [CM Proc of Workshop on Natural language Processing in the Biomedical Domain-Volume 3. Association for Association for Computational Linguistics. Association for Computational Computational Linguistics, 2002: 1-8 Linguistics, 2000: 336-343 门 Zhou, G, Zhang. J., Su. J. et al. Recognizing names in biomedical texts:A41]王昊奋,张金康,程小军.中文开放链接医疗数据的构建卩中国数 machine learning approach [J]. Bioinformatics, 2004, 20(7), pp. 1178 字医学,2013,8(4)5-8 42]徐绪堪,房道伟,蒋勳,等。知识组织中知识粒度化表示和規范化研究 8]Chen L, Friedman C. C: Extracting phenotypic information from the 图书情报知识,2014,2014(6101-106 literature via natural language processing I. Studies in Health Technology43]庄严,李国良,冯建华,知识库实体对齐技术综述囚计算机研究与 & Informatics,2004,107(2:758-62. 发展,2016,53(1):165-192 129] Liang L, Wang K, Meng D, et al. Active self-paced learning for [44 Fellegi I P, Sunter A B A Theory for Record Linkage [J]. Journal of the ost-effective and progressive face identification J]. IEEE Trans American Statistical Association, 1969, 64(328): 1183-1210 Pattern Analysis Machine Intelligence, 2017, PP(99): 1-1 [45] Cochinwala M, Kurien V, Lalk Gi et al. Efficient data reconciliation UJI [30] Collobert R, Weston J, Bottou L, et al. Natural Language Processing Information Sciences An International Journal, 2001, 137(1-4): 1-15 (Almost) from Scratch [ J] Journal of Machine Learning Research, 2011, [46] Elfeky M G, verykios V S, Elmagarmid A K. TAILOR: A Record Linkage Tool Box [Cy/ Proc of International Conference on Data Engineering. [31] Sahu S K, Anand A Recurrent neural network for disease name 2002:17-28 recognition using domain invariant features ICy/ Proc of Meeting of the [47] Christen P. Automatic Training Example Selection for Scalable Association for Computationa Linguistics. 2016 Unsupervised Record Linkage [M]/ Advances in Knowledge Discovery [32] Wei Q, Chen T, Xu R, et al. Disease named entity recognition by and Data Mining. 148 Chen Z, Kalashnikov D V, Mehrotra S. Exploiting context analysis for networks [ J). Database the Journal of Biological Databases Curation, combining multiple entity resolution systems [Cy Proc of ACM SIGMOD 2016,2016 Intemational Conference on Management of Data. 2009: 207-218 3] Jagannatha A, Yu H Structured prediction models for RNN based sequence [ 49] Ravikumar P, Cohen ww. A Hierarchical Graphical Model for Record labeling in clinical text [Cy/ Proc of Conference on Empirical Methods in Linkage [ J]. 2012, 24(2) Natural Language Processing. 2016: 856-86 50J Li J, Wang Z, Zhang X, et al. Large scale instance matching via multiple [34] Organization W H. The ICD-10 classification of mental and behavioural indexes and candidate selection [J]. Knowledge-Based Systems, 2013, 50 disorders: clinical descriptions and diagnostic guidelines J). Geneva World (30:112-120. 51] Bhattacharya L, Getoor L. Collective entity resolution in relational data JJ [35] Uzuner O, Mailoa J, Ryan R, et al. Semantic relations for problem-oriented CM Transactions on Knowledge Discovery from Data(TKDD) medical records J]. Artificial intelligence in medicine, 2010, 50(2): 63-73 [36] Frunza O, Inkpen D. Extraction of disease-treatment semantic relations [52 Lacoste-Julien S, Palla K, Davies A, et al. Sigma: Simple greedy matching from biomedical sentences [C]/ Proc of Workshop on Biomedical Natural for aligning large knowledge bases [C Proc of the 19th ACM SIGKDD Language Processing. Association for Computational Linguistics, 2010 International Conference on Knowledge Discovery And Data Mining ACM,2013:572-580 137) Abacha A B, Zweigenbaum P. A hybrid approach for the extraction of [53] Tang J, Li J, Liang B, et al. Using Bayesian decision for ontology mapping semantic relations from MEDLINE abstracts (CHi Proc of Intemational UJI. Web Semantics: Science, Services and Agents on the World Wide Web Conference on Intelligent Text Processing and Computational Linguistics 106,4(4)243-262. [38] Bruijn B D, Cherry C, Kiritchenko S, et al. Machine-learned solutions for resolution [Cy/ Proc of SIAM International Conference on Data Mining. three stages of clinical information extraction: the state of the art at 12b2 Society for Industrial and Applied Mathematics. 2006: 47-58. 2010 []. Journal of the American Medical Informatics Association, 2011, [55] Mccallum A, Wellner B Conditional Models of ldentity Uncertainty with 18(5):557-62 [39]Stapley B J, Benoit G Biobibliometrics: information retrieval and [ 56] Domingos P. Multi-Relational Record Linkage [). Journal of Neuroscience, visualization from co-occurrences of gene names in Medline abstracts ICy 004,25(25):1113-21
优先出版 袁凯琦，等：医学知识图谱构建技术与研究进展 第 35 卷第 7 期 Informatics, 2014, 47 (2): 1-10. [26] Kazama J, Makino T, Ohta Y, et al. Tuning support vector machines for biomedical named entity recognition [C]// Proc of Workshop on Natural language Processing in the Biomedical Domain-Volume 3. Association for Computational Linguistics, 2002: 1-8. [27] Zhou, G. , Zhang, J. , Su, J. et al. Recognizing names in biomedical texts: A machine learning approach [J]. Bioinformatics, 2004, 20 (7) , pp. 1178 – 1190. [28] Chen L, Friedman C. C: Extracting phenotypic information from the literature via natural language processing [J]. Studies in Health Technology & Informatics, 2004, 107 (2): 758-62. [29] Liang L, Wang K, Meng D, et al. Active self-paced learning for cost-effective and progressive face identification [J]. IEEE Trans on Pattern Analysis & Machine Intelligence, 2017, PP (99): 1-1. [30] Collobert R, Weston J, Bottou L, et al. Natural Language Processing (Almost) from Scratch [J]. Journal of Machine Learning Research, 2011, 12 (1): 2493-2537. [31] Sahu S K, Anand A. Recurrent neural network models for disease name recognition using domain invariant features [C]// Proc of Meeting of the Association for Computationa Linguistics. 2016. [32] Wei Q, Chen T, Xu R, et al. Disease named entity recognition by combining conditional random fields and bidirectional recurrent neural networks [J]. Database the Journal of Biological Databases & Curation, 2016, 2016. [33] Jagannatha A, Yu H. Structured prediction models for RNN based sequence labeling in clinical text [C]// Proc of Conference on Empirical Methods in Natural Language Processing. 2016: 856-865. [34] Organization W H. The ICD-10 classification of mental and behavioural disorders: clinical descriptions and diagnostic guidelines [J]. Geneva World Health Organization, 1992, 10 (2): 86–92. [35] Uzuner O, Mailoa J, Ryan R, et al. Semantic relations for problem-oriented medical records [J]. Artificial intelligence in medicine, 2010, 50 (2): 63-73. [36] Frunza O, Inkpen D. Extraction of disease-treatment semantic relations from biomedical sentences [C]// Proc of Workshop on Biomedical Natural Language Processing. Association for Computational Linguistics, 2010: 91-98. [37] Abacha A B, Zweigenbaum P. A hybrid approach for the extraction of semantic relations from MEDLINE abstracts [C]// Proc of International Conference on Intelligent Text Processing and Computational Linguistics. Springer Berlin Heidelberg, 2011: 139-150. [38] Bruijn B D, Cherry C, Kiritchenko S, et al. Machine-learned solutions for three stages of clinical information extraction: the state of the art at i2b2 2010 [J]. Journal of the American Medical Informatics Association, 2011, 18 (5): 557-62. [39] Stapley B J, Benoit G. Biobibliometrics: information retrieval and visualization from co-occurrences of gene names in Medline abstracts [C]// Pac Symp Biocomput. 2000, 5: 529-540. [40] Khoo C S G, Chan S, Niu Y. Extracting causal knowledge from a medical database using graphical patterns [C]// Proc of the 38th Annual Meeting on Association for Computational Linguistics. Association for Computational Linguistics, 2000: 336-343. [41] 王昊奋, 张金康, 程小军. 中文开放链接医疗数据的构建 [J]. 中国数 字医学, 2013, 8 (4): 5-8. [42] 徐绪堪, 房道伟, 蒋勋, 等. 知识组织中知识粒度化表示和规范化研究 [J]. 图书情报知识, 2014, 2014 (6): 101-106, 90. [43] 庄严, 李国良, 冯建华. 知识库实体对齐技术综述 [J]. 计算机研究与 发展, 2016, 53 (1): 165-192. [44] Fellegi I P, Sunter A B. A Theory for Record Linkage [J]. Journal of the American Statistical Association, 1969, 64 (328): 1183-1210. [45] Cochinwala M, Kurien V, Lalk G, et al. Efficient data reconciliation [J]. Information Sciences An International Journal, 2001, 137 (1–4): 1-15. [46] Elfeky M G, Verykios V S, Elmagarmid A K. TAILOR: A Record Linkage Tool Box [C]// Proc of International Conference on Data Engineering. 2002: 17-28. [47] Christen P. Automatic Training Example Selection for Scalable Unsupervised Record Linkage [M]// Advances in Knowledge Discovery and Data Mining. Berlin: Springer, 2008: 511-518. [48] Chen Z, Kalashnikov D V, Mehrotra S. Exploiting context analysis for combining multiple entity resolution systems [C]// Proc of ACM SIGMOD International Conference on Management of Data. 2009: 207-218. [49] Ravikumar P, Cohen W W. A Hierarchical Graphical Model for Record Linkage [J]. 2012, 24 (2) . [50] Li J, Wang Z, Zhang X, et al. Large scale instance matching via multiple indexes and candidate selection [J]. Knowledge-Based Systems, 2013, 50 (30): 112-120. [51] Bhattacharya I, Getoor L. Collective entity resolution in relational data [J]. ACM Transactions on Knowledge Discovery from Data (TKDD) , 2007, 1 (1): 5. [52] Lacoste-Julien S, Palla K, Davies A, et al. Sigma: Simple greedy matching for aligning large knowledge bases [C]// Proc of the 19th ACM SIGKDD International Conference on Knowledge Discovery And Data Mining. ACM, 2013: 572-580. [53] Tang J, Li J, Liang B, et al. Using Bayesian decision for ontology mapping [J]. Web Semantics: Science, Services and Agents on the World Wide Web, 2006, 4 (4): 243-262. [54] Bhattacharya I, Getoor L. A latent dirichlet model for unsupervised entity resolution [C]// Proc of SIAM International Conference on Data Mining. Society for Industrial and Applied Mathematics. 2006: 47-58. [55] Mccallum A, Wellner B. Conditional Models of Identity Uncertainty with Application to Noun Coreference [J]. Nips, 2004: 905-912. [56] Domingos P. Multi-Relational Record Linkage [J]. Journal of Neuroscience, 2004, 25 (25): 1113-21
