呼吸系统疾病知识图谱的构建∗

陈雪松 张明磊 王浩畅

（东北石油大学电气信息工程学院 大庆 163318）

1 引言

知识图谱，是谷歌2012年提出［2］的一种新型的数据表示方式，其目的是为了改善其下一代的搜索引擎。知识图谱以实体为节点、关系为边组成网状结构，能够清晰的表示数据之间的关联信息，在智能问答等多方面展示出丰富的应用价值［14］。国内的搜狗和百度首先建立了通用领域知识图。随后，金融［3］、法律等垂直领域也开始构建领域图谱。在医疗领域，文献［4］参考万方乙肝领域文献，构建了乙肝疾病的知识图谱，文献［5］利用文本抽取等技术，构建了中医药知识图谱，文献［6］以人机结合的方式构建了中文医学知识图谱。近年来，国内科研人员纷纷致力于医疗知识图谱的研究，但与国外相比，仍处于初步阶段［7］。

呼吸系统疾病是一种常见的多发疾病，对人体危害极大，是中国十大死亡率疾病之一。本文根据自身需求，爬取了相关呼吸疾病数据，构建呼吸系统疾病知识图谱，为患者提供自助查询以及辅助医疗人员诊断治疗。

2 知识图谱的构建

2.1 体系架构

知识图谱以图结构的形式表示知识信息，描述了客观世界的事物以及关系［11］。主要分为数据层和模式层［8］，有自顶向下和自底向上两种构建方法［9］。为了保证医疗数据的准确性和规范性，本文采用自顶向下的方法构建呼吸系统疾病知识图谱。首先参考医学文献构建了呼吸疾病词典，然后通过该词典从不同医学网站爬取疾病数据，并根据实际需求构建了呼吸系统疾病本体，最后经过知识融合实现多源异构数据的链接，完成呼吸系统疾病中文知识图谱的构建。知识图谱构建架构如图1 所示，共分为四个步骤，通过循环迭代实现知识图谱的持续更新。

图1 呼吸系统疾病知识图谱构建架构

2.2 本体构建

本体构建的主要目的是构建完整的呼吸系统疾病知识体系，主要分为人工构建、自动构建、半自动构建三种［10］。由于呼吸系统疾病数据规模不大，为了得到高质量、高准确度的本体，本文采用人工构建的方法构建呼吸疾病本体。首先参考了百度百科以及相关医学文献［15］，根据实际的应用需求定义了七种实体类型：疾病、科室、症状、诊断检查、饮食、药品、在售药品；九种实体之间关系：在售、宜吃、忌吃、属于、常用药品、推荐药品、推荐食物、疾病症状、疾病并发症；以及各实体的属性，例如疾病属性有病因、简介、治疗周期、别名、易感染人群、传播方式、预防、治疗方法等。本文采用Protégé软件构建呼吸系统疾病本体，如图2为呼吸疾病本体。

图2 呼吸系统疾病本体

2.3 数据获取

在医疗领域缺少开源的数据库，本文采用分布式爬虫技术爬取垂直型医疗网，如39 健康网、寻医问药网等网站的医疗数据。共爬取了478 条呼吸疾病数据，包含了所有的呼吸疾病数据以及相关药品属性信息。爬取到的疾病数据以JSON 格式保存，并进行了初步清洗，对数据重新审查和校验，目的在于删除非法字符，纠正存在的错误，保证数据的一致性。

2.4 知识融合

知识融合［16］是将同源异构数据相连接。主要分为实体对齐和实体链接［12］两个方面。因为呼吸疾病数据是根据疾病词典获得，所以实体对齐部分可省略，采用属性对齐替换。首先根据构建好的本体进行属性对齐，然后计算各属性的相似度，最后根据属性相似度计算实体相似度，完成知识融合。

2.4.1 属性对齐

在呼吸系统疾病中，属性种类不多，可以根据呼吸疾病本体来构建属性映射表，将同一类实体的同一属性的不同表达方式对齐。表1 是不同来源数据的属性对齐映射。再通过本体定义的属性类型将各属性值规范化处理，主要规则有：1）统一所有数值型属性值的度量单位；2）保留区间型属性值的上限和下限；3）去除字符串属性和文本类属性中的错误字符；4）对于所有的属性值的缺失值均以NAN表示。

表1 部分属性对齐映射

2.4.2 属性相似度

完成属性对齐后，计算不同类型属性相似度。由于疾病实体包含了大量的别名信息，可将实体名称与别名合并成集合来计算相似度。假设有x和y两个实体，实体的名称集合为S和T。

1）实体名称集相似度

通过计算集合S和T的交集元素在S，T的并集中所占的比例、衡量两个集合的相似度。len(x,y)表示字符串属性xattr、yattr最大公共子序列长度。

3）文本类型相似度

首先通过呼吸系统疾病词典以及结巴分词对文本类属性进行分词，然后根据TF-IDF（Term Frequency-Inverse Document Frequency，词频-逆文件频率）找出文本的关键词。最后，通过余弦相似度计算关键词集合的相似度：

4）区间型属性相似度

数值区间和时间区间属性都可采用Dice 系数计算相似度，取值范围在［0，1］：

其中|xattr∩yattr|是x和y区间属性的交集，|xattr|和|yattr|分别表示x和y属性中元素的长度。

2.4.3 实体相似度

根据得到的属性相似度，采用加权平均的方法，得到最终的实体相似度［1］：

实验结果采用准确率、召回率、F1 值进行评判，实验结果：准确率为81.4%，召回率为61.5%，F1值70.1%。

至此，完成多源异构数据的知识融合。

3 图谱的可视化与应用

3.1 可视化展示

本文采用Neo4j图数据库存储［17］呼吸系统疾病三元组数据以及可视化展示，Neo4j 以属性图的的形式存储数据节点，具有访问速度快、性能高、轻量级等特点［18］。呼吸系统疾病中文知识图谱存储了共15763 条呼吸疾病三元组数据，包括疾病的简介、症状、科室、治疗周期、药品以及检查等关键数据信息。表2为主要实体类别统计数据表。

表2 主要实体类别统计数据表

呼吸系统疾病知识图谱提供自助查询。图3是肺炎部分属性查询图。患者通过图谱查询的肺炎常用药品，包括阿莫西林颗粒，罗红霉素胶囊等好评药品。

图3 肺炎部分属性查询图

此外，呼吸疾病知识图谱还可以根据患者的临床表现，辅助医生决策。例如，根据图谱信息，为一位有“呼吸困难”“咳嗽”“发热”等症状的患者，进行“血常规”“胸部平片”“支气管舒张试验”等检查，判断此患者是否患有“哮喘”疾病。

3.2 主要应用

医疗知识图谱的构建形成了相应的医疗知识体系，解决了医疗领域数据爆炸的问题，使得人们面对大量数据时，能够快速准确地获取关键信息。医疗问答系统［13］是呼吸疾病知识图谱的主要应用之一，将构建好的知识图谱上的关系要素引入到问答过程中，解决了传统问答模型对医疗领域知识利用不足的问题，方便患者了解自身病情、存储药物、调理身体。第二个应用是医疗决策支持系统，通过患者的临床表现、病历单、化验报告等数据信息，为医疗人员提供智能诊断，分析医生诊断方案，提升医疗质量、降低医疗风险。

4 结语

本文针对呼吸疾病医疗数据数据分布庞杂、难以深层次应用的问题。爬取了呼吸疾病医疗数据，通过计算不同属性的相似度得出实体相似度，链接相同实体，完成知识融合。最后利用Neo4j 图数据库存储呼吸疾病数据以及可视化展示，完成了呼吸疾病知识图谱的构建。未来工作将继续完善知识图谱，以及研发基于呼吸疾病知识图的问答系统等辅助诊治系统。