基于可視化知識圖譜的心電圖特征分析

李俊麗，張洋，陳潤赫，王子琪，張桂溪，邱磊

（青島大學自動化學院，山東青島，266071）

0 引言

心血管疾病是全球最常見的死因之一，中國心血管病患病率處于持續(xù)上升階段[1]。在心血管病的診斷過程中，心電圖必不可缺，不僅是心臟疾病特征的直觀表現(xiàn)，更是專家觀察疾病發(fā)展狀況、快速診斷復雜心律失常、藥物治療效果的關鍵輔助信息[2]。

知識圖譜是一種表示實體之間關系的語義網(wǎng)絡，強調語義檢索能力，它能夠對事物及其相互關系進行形式化描述[3]。在人體12導聯(lián)心電圖領域開展知識圖譜可視化系統(tǒng)的目標之一是實現(xiàn)計算機理解心電圖判別專家的經(jīng)驗知識、創(chuàng)建封閉領域的可視化知識圖譜，模擬專家診斷病態(tài)心電圖特征過程，打造智能大腦。目前，國內外已有的醫(yī)學類知識圖譜均不能實現(xiàn)心內科疾病的診斷，本研究能夠基于心電圖的知識原理，補充心腦血管疾病診斷方面知識圖譜的空白，推進心電圖診斷知識體系的標準化、智能化[4]。本文通過分析常見病態(tài)心電圖數(shù)字屬性值以及形態(tài)屬性值創(chuàng)建了可視化知識圖譜系統(tǒng)，實現(xiàn)12導聯(lián)心電圖的特征語義關聯(lián)，找到實體與實體間的聯(lián)結性，實現(xiàn)實體與關系對齊，發(fā)現(xiàn)隱含的實體關系，是人工智能與醫(yī)療相結合的實踐。

1 前期準備

1.1 構建流程

知識圖譜構建流程為：（1）知識抽取與表示，從電子病歷、醫(yī)學類百科網(wǎng)站等渠道抽取心電圖波形與心腦血管疾病的相關信息，識別出實體與實體間關系。（2）知識融合，將不同來源的知識進行消岐、加工、推理、更新等步驟。（3）知識推理，將以三元組形式（頭實體，關系，尾實體）的知識進行實體預測和關系預測，結合深度學習模型，賦予實體到實體之間可推理的概率。（4）圖譜可視化，利用圖數(shù)據(jù)庫Neo4j或者本體構建工具protege將圖譜進行可視化展現(xiàn)。

1.2 特征預處理

心電圖特征之間的關系可以用語義網(wǎng)絡來描述，這種語義網(wǎng)絡由結點與弧構成，是一種有向圖。語義網(wǎng)絡將實體與屬性通過關系進行聯(lián)結由“實體-關系-實體”或“實體-屬性-屬性值”三元組構成。心電圖內涵豐富、數(shù)據(jù)量大，心電圖診斷過程所涉及的概念和知識多而雜，結合心電圖診斷知識特點，需要創(chuàng)建其語義類型和屬性關系的規(guī)范文檔，內容如表1。

表1 語義類型的分類

為了識別實體與實體之間的關系，需要對心電圖知識進行抽取與表示。實體之間的關系的識別依靠人工識別和機器結合，在本文研究內容中，心電圖判斷過程并未有現(xiàn)成知識庫，例如中文維基百科也只是給出了相關心血管疾病的解釋。依據(jù)國內外權威參考文獻，基于統(tǒng)計學的方法采用人工識別的方式獲取病態(tài)分類、實體對應關系、分類屬性值及波形形態(tài)特征。

2 Neo4j構建知識圖譜實踐

2.1 Neo4j介紹

Neo4j是一個高性能的、NoSQL數(shù)據(jù)庫，它將結構化數(shù)據(jù)存儲在網(wǎng)絡上而不是表格中。同時，它是一個嵌入式的、基于磁盤的、具備完全的事務特性的Java持久化引擎，是一個成熟的、具有推理功能的引擎。利用Neo4j來構建心電圖的知識圖譜，能夠直觀地分析不同病態(tài)心電圖的結構化數(shù)據(jù)網(wǎng)絡。

2.2 知識圖譜的實現(xiàn)

在建立心電圖的知識圖譜時，首先需要對心電圖病態(tài)種類以及其包含的變異波群定義規(guī)則。我們將病態(tài)心電圖的種類、12導聯(lián)、波群形狀、波形持續(xù)時間、表達關系進行了詳致的分類，方便后續(xù)導入Neo4j。例如，本文將病態(tài)種類分為37種，依據(jù)不同參考資料，所創(chuàng)建分類也不同。

在對實體與關系進行了定義之后，將表格導入Neo4j，對其輸入命令，使關系與實體全部呈現(xiàn)。這種實體與關系的可視化表示，可隨意進行拖拽處理，還可以對其進行定義實體的屬性。例如實體：竇性心動過緩，可對其定義屬性：病名。

如圖1所示，我們將實體與關系一同呈現(xiàn)的知識圖譜展開，可以看出，同時擁有實體與關系的心電圖知識圖譜是一個封閉的語義網(wǎng)絡。

圖1 實體與關系的知識圖譜

為了更加清晰地分析其中某些病態(tài)心電圖之間的聯(lián)系，我們截取WPW綜合征這一部分進行介紹，由圖2可以看出，WPW綜合征表現(xiàn)出P-R間期縮短和出現(xiàn)預激波的特征。在P-R間期縮短這一特征中表現(xiàn)為縮短的間期時間的數(shù)字屬性值不同，其所屬疾病類別也不同。不同的數(shù)字屬性值聯(lián)結不同的實體，最后聯(lián)結不同的病名，不斷拓展，形成一個封閉的知識圖譜。

圖2 局部網(wǎng)絡關系圖

在創(chuàng)建知識圖譜中，需要重視的是語義網(wǎng)絡的分類問題，隨著醫(yī)學知識數(shù)據(jù)庫的不斷充盈，心電圖的判斷標準將會不斷被細化、規(guī)范化，來滿足構建專用知識圖譜的需求。同時，上述基于Neo4j平臺所實現(xiàn)的知識圖譜還存在一定的局限性，在各類疾病判別中，特殊病征如波形不規(guī)則震動，其寬度、幅值和頻率沒有進行一個明確的分類，這會導致不同病系的特征識別度不高。為了提高病系的特征識別度，我們基于protege平臺，創(chuàng)建了改進型的病系專用知識圖譜，并獲得了更加細致的實體分類。

3 protege構建知識圖譜實踐

3.1 protege介紹

protege是一種用于構建域模型與基于知識的本體化應用程序，提供了大量的知識模型架構與動作，用于創(chuàng)建、操縱各種表現(xiàn)形式的本體。OWL本體語言是知識圖譜中最規(guī)范、最嚴謹、表達能力最強的語言，它基于RDF語法，可以認為是RDF的拓展，使表示出來的文檔具有語義理解的結構基礎。針對心電圖病系中復雜的實體關系，可以采用描述邏輯的方法進行推理，使用protege來建立OWL 語言三元組的關系。

3.2 病系專用知識圖譜的實現(xiàn)

以左右束支傳導阻滯這一大病系為例，我們使用protege建立八個實體類，并導入相關實例，由弧即關系聯(lián)結，形成了完整的專用病系心電圖知識圖譜。在OWL本體語言中，描述邏輯是基于知識表示的形式化，也叫概念表示語言或術語邏輯。下面對本體語言中的專用詞匯進行解釋。

◎概念，解釋為一個領域的子集。例如，病：{x|disease（x）}。

◎關系，解釋為該領域上的二元關系。例如，持續(xù)：{（x,y）|last（x,y）}。

◎個體，解釋為一個領域的實體。例如，左前分支傳導阻滯：{LAFB}

在左右束支傳導阻滯病系中，我們通過研究和分析病系判別的細則標準，提取出隱含的實體，采用人工分類標注的方式進行語義分類。如圖所示，創(chuàng)建了八個類別。

表2 病系的語義類型分類（1）

表3 病系的語義類型分類（2）

在進行語義類型分類之后，將實體與關系導入平臺，開始創(chuàng)建基于protege的知識圖譜，如圖3所示，是八個實體類型的呈現(xiàn)。

圖3 八個實體類別

我們將八個類別的實體與關系對齊，并從知識庫中抽取類別的子集對應的實例，將其導入protege，得到左右束支傳導阻滯病系的專用知識圖譜，如圖4所示。我們可以通過輸入某一特征值，得到其聯(lián)結實體，更加直觀地展現(xiàn)左右束支傳導阻滯病系的框架。

圖4 病系專用知識圖譜

以第八個類別（波形的形態(tài)形容）為例，如圖5所示，波形的形狀描述共有15種，每一種描述所對應的波（QRS 波、P波等）都不同，正是這些聯(lián)結實體的繁雜，導致醫(yī)生在實際診斷中有一定的困難。而知識圖譜的展現(xiàn)，使特征之間的聯(lián)系形象化、具體化，為醫(yī)療診斷帶來便利，也為知識圖譜后續(xù)的衍生服務提供了可行性。

圖5 波形的形態(tài)形容

4 結束語

在數(shù)字領域，人工智能與醫(yī)療相結合的成果展現(xiàn)出巨大的潛力，使用數(shù)據(jù)庫與查詢語言相結合的知識圖譜是一個具有創(chuàng)新性的工具。在病態(tài)心電圖判別領域中，本體語言規(guī)范且具有規(guī)則性，運用知識圖譜對病態(tài)心電圖判別過程可視化目標之一是輔助醫(yī)生查詢，提高診斷準確性。目前并沒有類似的心電圖判別可視化知識圖譜，它的出現(xiàn)也是人工智能實際應用的一個進展。本文提出了基于兩種平臺的知識圖譜，基于Neo4j的知識圖譜涵蓋了37種病態(tài)心電圖，內容廣泛但實體分類不夠細化；基于protege的知識圖譜展現(xiàn)了單一病系的語義網(wǎng)絡，內容更為細致和準確；二者都取得了良好的實踐效果，是醫(yī)療與人工智能結合的一大嘗試。

在創(chuàng)建知識圖譜中，需要重視的是語義網(wǎng)絡的分類問題，隨著醫(yī)學知識庫的不斷充盈，心電圖判斷標準不斷細化、規(guī)范化，相信語義網(wǎng)絡的語義分類不是難點。知識圖譜中最規(guī)范、最嚴謹、表達能力最強的語言為 OWL 本體語言，它基于RDF語法，可以認為是 RDF 的拓展，使表示出來的文檔具有語義理解的結構基礎。對于像心電圖知識領域中復雜的實體關系，可以采用描述邏輯進行推理。Hermit 是使用 OWL編寫的本體論的推理器，給定一個 OWL 文件，它可以確定本體是否一致，識別類之間的包含關系等等，它基于一種新穎的“超高級”演算，提供比任何以前已知的算法更有效的推理。后續(xù)研究可將建立好的語義網(wǎng)嵌入到基于 Java 的 jena 框架中實現(xiàn)更加深度的混合推理。