醫學知識圖譜被應用于哪些領域？

目前，醫學知識圖譜主要應用于醫學領域的 語義搜索、知識問答和臨床決策支持等場景， 隨著研究的深入以及行業的發展，醫學知識 圖譜也開始應用于藥物研發、公共衛生事件 應對等新領域。

1.醫學領域

( 一 ) 語義搜索

傳統的搜索主要為關鍵詞搜索，當用戶向搜 索引擎提交關鍵詞查詢請求時，搜索引擎通 過關鍵詞匹配的方式，在數據庫中檢索滿足 用戶查詢請求的內容，然后將結果反饋給用 戶。這種搜索引擎對查詢的處理局限于詞的 表面形式，缺乏知識處理能力和理解能力。

語義搜索則不拘泥于用戶所輸入請求語句的 字面本身，而是透過現象看本質，準確地捕 捉到用戶所輸入語句后面的真正搜索意圖， 從而更準確地返回最符合用戶需求的搜索結 果 [65]。將知識圖譜應用于搜索是當前實現 語義搜索的有效解決方案。知識圖譜描述了 事物的分類、屬性和關系，具有豐富的語義 信息，可以為語義搜索提供極大的底層支持。 基于醫學知識圖譜的語義搜索目前被用于醫 學百科知識、臨床指南/文獻、醫學健康資訊、 醫療保健信息等內容的推薦。

( 二 ) 知識問答

基 于 知 識 庫 的 問 答（Knowledge-Based Question Answering，KBQA）也稱知識問答， 主要依托于大型的知識庫，將用戶的自然語 言問題轉化成結構化查詢語句，直接從知識 庫中導出用戶所需的答案 [1]。知識問答與搜 索的最主要區別在于：首先，搜索是將結果 以文檔承載答案的方式，而知識問答則直接 將答案交付給用戶；其次，搜索的用戶以關 鍵詞組合的形式表達自身的需求，需掌握一 定的搜索技巧，而知識問答則允許直接以自 然語言的方式表達問題 [1]。

知識問答強調以自然語言問答為交互形式從 智能體獲取知識，不但要求智能體能夠理解 問題的語義，還要求基于自身掌握的知識和 推理計算能力形成直接的答案。由于答案是 以關聯圖的形式組織的，所以不僅能提供精 準答案，還能通過答案關聯進行擴展、推理 等查詢，使知識展示更豐富。KBQA 已經成 為各種智能問答系統的標準組件配置 [2]。知 識圖譜由于具有知識豐富、結構化程度高和 易于推理等特點，是 KBQA 的知識庫中最 重要組成部分之一。

醫學知識較其他領域相比專業性更高，非專 業人士很難通過自主理解一堆資源文檔，來 精準地找到相關問題的答案。因此，基于醫 學知識圖譜的 KBQA 可以幫助患者更加快 捷、便利地獲得問題的答案，適用于醫學知 識科普、智能導診、自診等領域。下面以 Magi 和訊飛健康為例，簡單介紹基于醫學 知識圖譜的 KBQA 在醫學知識科普、智能 導診的應用情況。

Magi 是來自中國的 Peak Labs 團隊研發的 基于機器學習的信息抽取和檢索系統，它不 間斷的從互聯網自然語言文本中提取各種領 域知識，并結構化保存在知識庫中，然后通 過終身學習持續聚合和糾錯，進而為人類用 戶和其他人工智能提供可解析、可檢索和可 溯源的知識體系。用戶輸入問題、關鍵詞或 表達式后，如果知識庫中發現可能與用戶輸 入相關的，能解決用戶輸入問題的，或者其 他適合展示給用戶的知識片段，系統將以一 些特定的形式優先展示給用戶，省去用戶從 累牘連篇的網頁文本中尋找答案的時間[74]。

2.其他領域

隨著技術和行業的發展，目前知識圖譜也被 應用于藥物研發、公共衛生事件的預警場景 中。

藥物研發

近年來，人工智能輔助藥物研發逐漸成為研 究的熱點。知識圖譜可應用于藥物研發的知 識的聚類分析，幫助提出新的可以被驗證的 假說，從而加速藥物研發的過程，降低研發 成本 [83]。Benevolent AI 和 Open Phacts 就 是兩個醫學知識圖譜應用于藥物研發領域的 典型案例。Benevolent AI 是一家來自倫敦 的人工智能制藥公司，在 2020 年 2 月，該 公司在《柳葉刀》雜志發表論文稱，其和帝 國理工學院（Imperial College London）合 作研究，發現了經典 JAK 激酶抑制劑巴瑞 替尼（Baricitinib）或可用于治療新型冠狀 病毒肺炎，這一研究借助了深度學習和知識 圖譜技術 [84]。Open Phacts 則是歐盟的一 個項目，該項目構建了一個開放數據訪問平 臺，通過整合來自各種數據源的藥理學數據 構建知識圖譜，從而加速藥物研制中的分子 篩選工作，目前已吸引輝瑞和諾華等制藥巨 頭參與 [85]。

公共衛生事件應對

新冠疫情突然席卷全球，引發了全世界對突 發公共衛生事件的關注，如何建立事件預警 和快速響應機制成為大家研究的重點。在公 共衛生事件的一些場景中，如流行病學調查 和疫情發生事件的分析和預警等，知識圖譜 采用圖存儲數據的理念可以起到非常大的幫 助。例如，利用知識圖譜的形式可以直觀地 表示流行病調查中的人員分布、人員活動軌 跡、發病時間等信息，基于圖展示出的信息 可以更方便的用于病例之間相關性的分析， 更快地分析和梳理出感染源頭。另外，對疫 情發生事件的脈絡進行分析，通過找到多個 事件存在的因果關系，構建疫情相關事件知 識圖譜。事件知識圖譜可以幫助發現潛在的 公共威脅，從源頭上預防和降低輿情風險， 也可以實現對網絡輿情的有效預測，有效防 范輿情事件發生及蔓延，為疫情防控營造有 利的輿論場。針對以上領域，目前國內外已 有相當多的科研項目正在開展中 [86]。