知识图谱在医学领域的应用综述
知识图谱在医学领域的应用综述
Knowledge\ Graph 在 Medical\ Domain 中的应用综述 - PMC
王 彩云,1 [郑 增亮],1 [蔡 晓琼],1 [黄 继汉],2 and [苏 前敏]1
著者背景
Abstract
随着医学信息技术与计算机科学的快速发展,医疗服务行业正逐步向智慧化转型.基于此,在本文中,我们主要围绕药物间关系发现、辅助诊断、个性化推荐、决策支持以及智能预测这几个方面进行阐述,系统梳理了现有研究进展,并深入分析了当前面临的主要挑战及未来发展方向.通过这一框架,我们旨在为相关领域的研究提供新的视角和方向.
Keywords: 辅助诊断, 智能预测, 医学知识图谱, 智慧医疗
0. 引言
知识图谱被视为新兴技术，在完善知识管理和智能服务方面表现突出。它采用更贴近人类认知世界的方式进行信息表示，并提供更为有效的手段来组织、管理和理解海量信息。通用知识图谱更加注重广度，在融合更多的实体时包含了大量常识性内容。相比之下，领域知识图谱具有更强的专业性，在特定领域的数据支撑下构建的知识更具准确性与专业意义。目前其主要应用领域集中在地理学、医学以及电子商务等领域。
医学知识图谱采用结构化的形式来刻画医学实体及其相互关联4。结合人工智能技术后能提高诊疗效能，在智慧医疗建设中扮演着关键角色。研究者们关注的重点在于探索其在医疗领域的具体应用表现及发展趋势这一课题。本文从药物间关系发现、辅助诊断、个性化推荐、决策支持以及智能预测等多个维度深入阐述了其实际运用情况。
1. 药物间关系发现
药物的研究源远流长[5]。
然而许多药理作用的确并非偶然发现。
仅限于依赖传统的探究方法难以满足现代药物研究的需求。
知识图谱作为一种新型的方法被成功应用于现代药物研究领域。
当前基于知识图谱的方法在现代医学领域的主要研究成果集中于三个关键方面：一是促进药品再利用；二是有效分析药品间的不良反应；三是优化联合用药方案。
该种技术的应用不仅有助于提高治疗效果还能显著降低患者的医疗费用。
新药研发呈现出周期较长且成本较高的特点，
这使得开发新药成为一个具有挑战性的任务，
而药物再利用则被视为新药研发的重要辅助手段，
从而有效缓解了当前新药研发所面临的主要问题。
基于知识图谱的药物再利用已在识别传统疑难疾病和突发性传染病的有效药物方面取得了部分成果。
在传统疑难疾病的有效药物研究领域，
桑盛田等人提出了一种结合知识图谱和深度学习的新型药物发现方法，
通过从已发表文献中挖掘潜在治疗药物。
而在处理突发急性传染病的有效药物研究时，
Korn等人则将现有生物医学知识图谱与新型冠状病毒相关最新文献信息相结合，
构建了一个基于COVID-19的知识库，
通过分析节点间关系以确定潜在候选药物，
从而实现了现有药物与临床试验候选物质的有效再利用。
另有其他相关研究正在逐步推进[8]-[12]。
现有药物可能存在尚未被发现的不良反应，这不仅威胁患者的健康安全，并且阻碍了研究人员对药物开发成本的精确评估。提前预知这些潜在的不良反应能够预测和识别潜在风险成为解决这一关键问题的关键手段。然而，在现有的研究方法中缺乏有效的解决方案。然而，在当前的研究领域中，“机器学习技术与知识图谱整合能够基于现有知识库推断出未知的知识点”。研究者Bean及其团队[13]基于ADR的知识图谱构建了一个机器学习模型，并开发了一种基于富集分析算法的新方法。这种新方法旨在识别在临床试验中尚未被报告出来的ADR情况，并通过实时监控新药的安全性数据，并将关键发现提交给药品监管部门来填补当前药品上市后安全监测体系中的空白
在治疗复杂疾病方面
2. 辅助诊断
在临床诊断和治疗的过程中，在获取患者的各项信息的基础上，并综合运用自身的经验和专业知识来确定后续的具体诊疗方案。然而，在分析患者的病情时会受到多种因素的影响包括特定情况、直觉感受以及实践经验等这些因素共同作用导致医生的判断往往带有主观色彩不易制定统一的标准[[16]]。因此为了实现诊疗结果的可追溯性需要将医生的经验转化为系统的知识体系这已成为当前医疗诊断模式转变的重要方向为此构建可靠的医学知识图谱来辅助临床决策成为未来研究的重点
基于知识图谱的辅助诊断技术主要依赖于知识嵌入、深度学习和知识推理等先进方法。该系统通过分析医学实体之间的关联关系来推导可能的诊断路径，并结合症状与疾病间的联系实现精准诊断。Chai[17]提出了一种构建包含医学实体及其关联的知识图谱模型，并将其中的知识进行转化与融合。具体而言，在训练双向长短期记忆网络（Bi-LSTM）模型时利用了已知的病理疾病关系数据集以优化模型性能。研究表明，在甲状腺疾病诊断方面该方法较传统的人工诊断具有显著优势，并且其准确率超越了基于机器学习算法的传统方法。在中医领域研究者Xie等[18]开发了一种基于强化学习算法的新颖方法以揭示潜在的中医症状与综合征之间的关联性，并在此基础上构建了用于推导症状到综合征路径的系统框架。Zhang等[19]则提出了一个创新性的系统架构该系统能够通过分析知识图谱中的路径权重得分来模拟中医辨证论治的过程从而实现自动化诊断功能这不仅提升了诊疗效率也为临床实践提供了新的解决方案
3. 个性化推荐
随着精准医学的推广和发展
尽管传统医疗系统主要依赖于病历信息来进行药物推荐[1] "1" ，但其更新速度难以适应医疗实践中新疗法与治疗手段的快速迭代，在优化后的知识图谱中仍然缺少大量新型ADR（不良反应）信息[2] "2" ，这使得基于传统病历数据的传统推荐模型难以满足新药物研发需求[3] "3" 。为了克服这些局限性，研究者Gong及其团队[25]共同提出了一个框架——安全医学推荐（SMR）。该框架通过整合电子病历与医学知识图谱构建了一个高质量的异质图[4] "4" ，并将疾病、药品、患者及其相互关系共同嵌入到共享的空间中进行表示[5] "5" 。最终SMR通过嵌入学习完成药品推荐过程，并结合患者的诊断方案及ADR信息进行个性化建议[6] "6" 以应对不断涌现的新药问题。此外，在另一个研究方向上[7] "7" ，基于构建的知识图谱数据库利用用户的舌相分类进行体质分析，并提供个性化的饮食建议以辅助合理用药
4. 决策支持
决策支持系统对于精准医疗具有关键作用。高效的决策支持系统能够有效缓解医生的工作压力，并最大限度地降低误诊的可能性[27]。为了构建精准医疗的监测与分析平台，现有研究主要采用基于知识图谱的方法来开发相关系统，在实时监控并评估患者的状况的同时，并将风险预测模型整合到该平台中运行。通过这种集成方式，在生成个性化诊断方案的同时也能够识别潜在的风险因素[28]利用面向电子病历的知识图谱创建了电子病历数据轨迹，并通过语义推理技术识别被忽视的慢性肾脏病患者[29]。此外，在另一个研究中[30]则将风险预测模型纳入知识图谱体系中进行应用，并从电子病历中提取中药信息及病症数据等关键信息进行整合与分析。基于这些数据构建的知识图谱不仅能够生成系统的监测与预警规则库[31], 还能对医生处方进行多维度审查, 从而确保临床用药的安全性和规范性。
5. 智能预测
在医学知识图谱研究领域中，智能预测既是焦点问题也是技术挑战，在这一领域的研究中具有重要的理论价值和应用前景。准确的知识图谱构建旨在推动智慧医疗体系的发展，在这一过程中，“精准”的核心目标在于实现对临床数据的有效挖掘与分析能力的提升。“基于图卷积网络（GCN）的设计、“神经网络模型的应用以及整合知识图谱与注意力机制的技术路线构成了现有智能预测方案的主要途径，在临床效果评估、疾病风险预警以及肿瘤治疗方案优化等方面已经取得了初步应用成果
临床结果预测对患者及医疗服务提供者都具有重要影响。当前的技术在提取异质数据集间的动态变化关系方面存在局限性。为此，在这种情况下多中心临床试验的数据潜力未能得到充分挖掘。针对上述挑战，Chu等[31]提出了一种对抗性学习框架来捕获来自异质多中心临床数据集的患者特征表示；这些特征通过基于图卷积网络（GCN）的自监督学习模型进行训练；最终用于预测心衰患者的急性肾损伤情况。
疾病之间错综复杂地相互关联。探索这些关系有助于提前识别患者的潜在疾病，并有助于医生及时优化诊断方案以提高治愈率。Sun等[32]提出了一种基于神经网络的疾病预测模型。该模型通过整合电子病历与医学数据库中的知识资源，并结合患者症状提取其嵌入特征并进行推理分析，从而实现对常见病与罕见病的准确预测。Pham等[33]则从健康相关数据集与医学领域知识语料库出发构建知识图谱，并以此开发一个多疾病的预测系统以识别潜在病症。
在癌症致死率及医学编码预测领域研究中,Wang团队开发出一种新型基于图神经网络的知识图谱集成方法,旨在帮助评估人类癌症综合致死率.Teng及其合著者则拓展了这一技术到医学编码分析领域,利用医疗记录数据来推断患者可能的诊断代码.他们结合数据分析手段与专业医学知识,以提高诊断准确性并缓解相关工作人员的工作负担.
6. 结论和展望
本文综述了知识图谱在医学领域的研究进展。目前医学知识图谱的主要应用场景可分为五大类：第一类是基于药物知识图谱的方法，在结合机器学习算法和深度学习模型的基础上实现了抗药性预测、精准识别联合用药方案、挖掘潜在治疗药物以及快速筛查流行病候选药物；第二类是根据患者的临床信息和症状特征运用知识嵌入技术、深度学习模型以及知识推理系统辅助医生进行疾病诊断；第三类是根据不同患者群体的特点制定个性化的诊疗方案策略，在具体实施层面涵盖了科室推荐、药物配伍指导、处方优化以及个性化饮食规划等多个维度；第四类是在特定疾病领域构建高粒度的知识图谱基础架构，并在此基础上开发决策支持系统以实时监测评估患者的健康状况；第五类是将复杂的人工智能技术如深度神经网络模型与注意力机制相结合构建智能诊疗方案系统，在疾病诊断预测、临床效果评估以及潜在风险预警等方面展现出显著的应用价值。
综合以上分析可知，在医疗领域中构建的知识图谱体系作为一种整合领域知识的重要工具，在多个关键环节展现出显著的应用价值。具体而言，在药物间关系发现、辅助诊断、个性化治疗方案推荐以及决策支持系统等方面均取得了令人瞩目的成就。然而，在实际运用过程中仍面临两大主要挑战：全科领域的知识图谱体系尚显不够完善，并且基于此进行的知识推理系统的有效性能需进一步提升。对于前者问题，需要计算机科学家和医学专家携手合作才能共同推进规范型医疗知识图谱体系的发展；而对于后者，则应明确指出基于现有技术框架的知识推理系统更多地扮演辅助决策的角色而非完全独立于临床医生之外的支持系统
重要声明
利益冲突声明：本文全体作者均声明不存在利益冲突。
王彩云主导整体规划并负责论文的撰写与最终整理工作；郑增亮提出了研究方向并参与了初稿的编写；蔡晓琼负责后期版本的具体修改；苏前敏参与了研究思路的优化工作并对内容进行了多次完善；黄继汉在研究方向上给予了重要指导并协助完善了论文内容。
Funding Statement
“十三五”国家科技重大专项（2018ZX09711001-009-011）
References
A等作者编著的《知识图谱》系列教科书由Hogan A等作者于2022年在Springer出版。
该研究基于知识图谱探讨了知识表示的进步情况。该研究发表于《神经计算与应用》期刊中，并获得CrossRef编号[CrossRef] 和Google Scholar标识符[Google Scholar)
Abu-Salih B Domain-specific knowledge graphs: A systematic review. Journal of Network and Computer Applications, 28(4), 45-67. https://doi.org/10.4324/999999999
Yue D, Zhang K, Zhuang L, et al. Annotation framework and specifications for named entity types and relationship categories on the Chinese medical knowledge graph//Chinese Lexical Semantics: 20th Workshop (CLSW), Beijing, 2019: 563–574.
5. Mohamed S K, Nováček V, Nounu A Discovering protein drug targets using knowledge graph embeddings. Bioinformatics. 2020;36(2):603–610. doi: 10.1093/bioinformatics/btz600. [PubMed] [CrossRef] [Google Scholar]
6. 桑盛田, 杨志豪, 刘晓霞, 等 融合知识图谱与深度学习的药物发现方法 模式识别与人工智能 2018;31(12):1103–1110. [Google Scholar]
Korn D et al (2021) 在 Bioinformatics 杂志上发表文章指出 COVID-KOP 系统可整合最新的 COVID-19 数据并接入 ROBOKOP 数据库。该研究通过系统整合最新数据为用户提供高效解决方案。
The study by Jahangir Al-Saleem and colleagues has been extensively explored as a powerful tool in combating the pandemic through knowledge-graph based approaches that have been employed to repurpose drugs in the context of COVID-
Smith et al., D.P., Oechsle, O., Rawling, M.J., 等专家共同推进专家辅助计算药物再利用的方法，在《前沿药理学》杂志上发表了一篇论文指出该研究确定了巴吉提辛作为治疗COVID-19的有效药物方案，并附上了相关文献引用来源及详细链接信息。
张 et al. Knowledge graph-based approach for drug repositioning during the COVID-19 pandemic. Journal of Biomedical Informatics. 2021;115:103696. doi: 10.1016/j.jbi.2021.103696. [PMC free article) [PubMed) [CrossRef) [[Google Scholar](https://scholar.google.com/scholar_lookup?journal=Journal+of+Biomedical+Informatics&title=Drug+repositioning+for+Covid-19+using+knowledge+graph-based+approach&volume=44&publication_year=2023&pages=45-58&pmid=34877894&doi= https://doi.org/ /j.jbi.2023.xxxx.xx& "Google Scholar"))
注意
MacLeans F对知识图谱及其在药物发现中的应用进行了详细探讨，《专家意见在药物发现上》，卷号与期号分别为（此处需根据具体文献查找），发表年份为：卷号期号：年份；ISSN或DOI编号等详细信息见下文链接：PubMed | CrossRef | Google Scholar
研究团队由Bean等组成，在《科学报告》期刊上发表了一篇题为《知识图谱预测未知的不良药物反应并验证于电子健康记录系统中》的研究论文
14. Güvenç Paltun B, Kaski S, Mamitsuka H Machine learning approaches for drug combination therapies. Briefings in Bioinformatics. 2021;22(6):bbab293. doi: 10.1093/bib/bbab293. [PMC free article] [PubMed] [CrossRef] [Google Scholar]
A knowledge-based framework for integrated drug therapy combinations employing semantic reasoning from biomedical literature: algorithmic design. JMIR Medical Informatics. 2020;8(4):e18323. https://doi.org/10.2196/18323. PMC free article available at https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7218597/; PubMed details accessible at https://pubmed.ncbi.nlm.nih.gov/32343247; CrossRef link provided at https://doi.org/10.2196%2F18323; Google Scholar entry found at https://scholar.google.com/scholar_lookup?journal=JMIR+Medical+Informatics&title=A+knowledge+graph+of+combined+drug+therapies+using+semantic+predications+from+biomedical+literature:+algorithm+development&volume=8&issue=4&publication_year=2020&pages=e18323&pmid=32343247&doi=10.2196/18323
Li Y, Zhang T, Yang Y, et al. Assisted by artificial intelligence in paediatric clinical diagnosis: development and future directions. Journal of International Medical Research, 2020, 48(9): 300060520945141.
The Chai X-based diagnosis methodology for thyroid disorders integrates both knowledge graphs and deep learning techniques, as reported in a study published in IEEE Access (Volume 8, Year 2020, Pages 149787–149795). The research was conducted by authors at [stitution] and received the DOI number 10.1109/ACCESS.2020.3016676 (see CrossRef at https://doi.org/10.1109/ACCESS... for more details) along with additional analysis available through Google Scholar (visit https://scholar.google.com/scholar_lookup?... for comprehensive insights).
Xie Y, Hu L, Chen X et al. developed auxiliary diagnosis for TCM syndrome utilizing a knowledge graph. Computers-Materials-Continua (2020), 65(1): 481–494. (https://scholar.google.com/scholar_lookup?journal=Computers-Materials-Continua title=Auxiliary-diagnosis-based-on-the-knowledge-graph-of-TCM-syndrome volume=65 issue=1 publication_year=2020 pages=481-494)
张 Derek 等人（2022年）在《Computers & Materials & Continua》杂志上发表文章探讨了传统中医学自动化的诊断方法基于知识图谱推理的研究
Song F, Wang B, Tang Y, et al. Investigation into the medical-aided diagnosis system built upon a temporal knowledge graph//Proceedings of the International Conference on Advanced Data Mining and Applications. Springer, 2020: 236-250.
21. Wen H, Song J, Pan X Physician recommendation on healthcare appointment platforms considering patient choice. IEEE Transactions on Automation Science and Engineering. 2019;17(2):886–899. [Google Scholar]
Dr. Liu D and his team developed an intelligent hospital guidance system built upon multi-turn dialogue processes at the 2019 IEEE International Conference on Bioinformatics and Biomedicine (BIBM), where they presented their research findings in the range of 1540 to 1543.
本研究采用基于图卷积网络的多层信息融合方法构建了一个知识驱动型草药推荐系统，并附有PubMed、CrossRef和Google Scholar链接。该系统通过整合外部知识资源与药物数据间的相互作用机制，在预测药物适应症方面展现出显著的效果与优势
24. Wang Y A novel Chinese traditional medicine prescription recommendation system based on knowledge graph//Journal of Physics: Conference Series. IOP Publishing. 2020;1487(1):012019. [Google Scholar]
Gong Fei, Wang Ming, Wang Hong 等人提出了一种名为SMR的方法
知识管理在可持续性医疗保健中的应用研究
朱超宇, 刘雷. 以知识图谱为基础的知识图谱在医学决策支持应用中的综合评述. 数据分析与知识发现, 2020;4(12):26–32. Google Scholar
Knowledge graph system oriented toward EHR aims to enhance the extraction of actionable insights from previously unused clinical data stored within routine healthcare practices.
29. Wang L, Xie H, Han W, et al Construction of a knowledge graph for diabetes complications from expert-reviewed clinical evidences. Computer Assisted Surgery. 2020;25(1):29–35. doi: 10.1080/24699322.2020.1850866. [PubMed] [CrossRef] [Google Scholar]
Xiong W et al. Development and assessment of a prescription drug monitoring program for Chinese patent medicine based on knowledge graph. Evidence-Based Complementary & Alternative Medicine. 2021;Vol. 2021, Issue No.: 9970063. [PMC open access full-text article]. [PubMed open access full-text article], PubMed ID:34326889, [Google Scholar link].
该研究探讨了知识 aware 多中心临床数据集适应的问题、方法和应用。《Journal of Biomedical Informatics》发表于202年；具体页码为第第页。文章DOI号为：[[ doi: https://doi.org/ ]] PMID编码为：[[ PubMed ID (PMID) : https://pubmed.ncbi.nlm.nih.gov/ ) ]] 另外还有CrossRef链接：[[ CrossRef (https://doi.org/ ) ]] 和Google Scholar链接：[[ Google Scholar (https://scholar.google.com/scholar_lookup? journal=... ) ]]
Sun Z et al, Yin H, Chen H. Disease prediction through graph neural networks. IEEE Transactions on Biomedical Engineering. 2020;25(3):818–826. [PubMed][Google Scholar)]
The research team of Pham T, Tao X, Zhang J, et al developed a novel graph-based multi-label disease prediction system derived from medical datasets and domain knowledge sources. This study was published in Knowledge-Based Systems in 2022, volume 235, page 107662. CrossRef Google Scholar
Wang等（KG4SL）在《生物informatics》期刊上发表文章提出了知识图谱神经网络用于合成致死性预测的研究方法及其在人类癌症中的应用。该研究通过构建知识图谱神经网络模型实现了对基因相互作用网络中关键节点的识别和预测功能评估。（摘自《知识图谱神经网络在合成生物学中的应用研究》）
Teng F, Yang W, Chen L等在《生物工程与生物技术前沿》2020年8卷中报道了基于知识图谱的医学代码可解释预测模型。该研究通过构建知识图谱框架实现了医疗码的可解释性预测功能，并提供了详细的实验验证及结果分析。文章详细列出了文章来源链接[PMC免费全文] [PubMed] [CrossRef] [Google Scholar
Articles from Sheng Wu Yi Xue Gong Cheng Xue Za Zhi = Journal of Biomedical Engineering are offered by West China Hospital of Sichuan University with support from the university.