医学知识图谱被应用于哪些领域？

目前，医学知识图谱主要应用于医学领域的 语义搜索、知识问答和临床决策支持等场景， 随着研究的深入以及行业的发展，医学知识 图谱也开始应用于药物研发、公共卫生事件 应对等新领域。

1.医学领域

( 一 ) 语义搜索

传统的搜索主要为关键词搜索，当用户向搜 索引擎提交关键词查询请求时，搜索引擎通 过关键词匹配的方式，在数据库中检索满足 用户查询请求的内容，然后将结果反馈给用 户。这种搜索引擎对查询的处理局限于词的 表面形式，缺乏知识处理能力和理解能力。

语义搜索则不拘泥于用户所输入请求语句的 字面本身，而是透过现象看本质，准确地捕 捉到用户所输入语句后面的真正搜索意图， 从而更准确地返回最符合用户需求的搜索结 果 [65]。将知识图谱应用于搜索是当前实现 语义搜索的有效解决方案。知识图谱描述了 事物的分类、属性和关系，具有丰富的语义 信息，可以为语义搜索提供极大的底层支持。 基于医学知识图谱的语义搜索目前被用于医 学百科知识、临床指南/文献、医学健康资讯、 医疗保健信息等内容的推荐。

( 二 ) 知识问答

基 于 知 识 库 的 问 答（Knowledge-Based Question Answering，KBQA）也称知识问答， 主要依托于大型的知识库，将用户的自然语 言问题转化成结构化查询语句，直接从知识 库中导出用户所需的答案 [1]。知识问答与搜 索的最主要区别在于：首先，搜索是将结果 以文档承载答案的方式，而知识问答则直接 将答案交付给用户；其次，搜索的用户以关 键词组合的形式表达自身的需求，需掌握一 定的搜索技巧，而知识问答则允许直接以自 然语言的方式表达问题 [1]。

知识问答强调以自然语言问答为交互形式从 智能体获取知识，不但要求智能体能够理解 问题的语义，还要求基于自身掌握的知识和 推理计算能力形成直接的答案。由于答案是 以关联图的形式组织的，所以不仅能提供精 准答案，还能通过答案关联进行扩展、推理 等查询，使知识展示更丰富。KBQA 已经成 为各种智能问答系统的标准组件配置 [2]。知 识图谱由于具有知识丰富、结构化程度高和 易于推理等特点，是 KBQA 的知识库中最 重要组成部分之一。

医学知识较其他领域相比专业性更高，非专 业人士很难通过自主理解一堆资源文档，来 精准地找到相关问题的答案。因此，基于医 学知识图谱的 KBQA 可以帮助患者更加快 捷、便利地获得问题的答案，适用于医学知 识科普、智能导诊、自诊等领域。下面以 Magi 和讯飞健康为例，简单介绍基于医学 知识图谱的 KBQA 在医学知识科普、智能 导诊的应用情况。

Magi 是来自中国的 Peak Labs 团队研发的 基于机器学习的信息抽取和检索系统，它不 间断的从互联网自然语言文本中提取各种领 域知识，并结构化保存在知识库中，然后通 过终身学习持续聚合和纠错，进而为人类用 户和其他人工智能提供可解析、可检索和可 溯源的知识体系。用户输入问题、关键词或 表达式后，如果知识库中发现可能与用户输 入相关的，能解决用户输入问题的，或者其 他适合展示给用户的知识片段，系统将以一 些特定的形式优先展示给用户，省去用户从 累牍连篇的网页文本中寻找答案的时间[74]。

2.其他领域

随着技术和行业的发展，目前知识图谱也被 应用于药物研发、公共卫生事件的预警场景 中。

药物研发

近年来，人工智能辅助药物研发逐渐成为研 究的热点。知识图谱可应用于药物研发的知 识的聚类分析，帮助提出新的可以被验证的 假说，从而加速药物研发的过程，降低研发 成本 [83]。Benevolent AI 和 Open Phacts 就 是两个医学知识图谱应用于药物研发领域的 典型案例。Benevolent AI 是一家来自伦敦 的人工智能制药公司，在 2020 年 2 月，该 公司在《柳叶刀》杂志发表论文称，其和帝 国理工学院（Imperial College London）合 作研究，发现了经典 JAK 激酶抑制剂巴瑞 替尼（Baricitinib）或可用于治疗新型冠状 病毒肺炎，这一研究借助了深度学习和知识 图谱技术 [84]。Open Phacts 则是欧盟的一 个项目，该项目构建了一个开放数据访问平 台，通过整合来自各种数据源的药理学数据 构建知识图谱，从而加速药物研制中的分子 筛选工作，目前已吸引辉瑞和诺华等制药巨 头参与 [85]。

公共卫生事件应对

新冠疫情突然席卷全球，引发了全世界对突 发公共卫生事件的关注，如何建立事件预警 和快速响应机制成为大家研究的重点。在公 共卫生事件的一些场景中，如流行病学调查 和疫情发生事件的分析和预警等，知识图谱 采用图存储数据的理念可以起到非常大的帮 助。例如，利用知识图谱的形式可以直观地 表示流行病调查中的人员分布、人员活动轨 迹、发病时间等信息，基于图展示出的信息 可以更方便的用于病例之间相关性的分析， 更快地分析和梳理出感染源头。另外，对疫 情发生事件的脉络进行分析，通过找到多个 事件存在的因果关系，构建疫情相关事件知 识图谱。事件知识图谱可以帮助发现潜在的 公共威胁，从源头上预防和降低舆情风险， 也可以实现对网络舆情的有效预测，有效防 范舆情事件发生及蔓延，为疫情防控营造有 利的舆论场。针对以上领域，目前国内外已 有相当多的科研项目正在开展中 [86]。