基于知識圖譜的智能問診系統(tǒng)的設計與實現(xiàn)

摘要：當前多數(shù)在線醫(yī)療咨詢系統(tǒng)存在智能問診系統(tǒng)精準度不足的問題，難以有效識別用戶訴求并提供針對性服務。為此，該研究聚焦醫(yī)療健康領域，開發(fā)了基于知識圖譜的智能醫(yī)療問診系統(tǒng)。該系統(tǒng)通過構建專業(yè)醫(yī)療知識圖譜作為核心知識庫，運用自然語言處理技術對用戶查詢進行語義解析和意圖識別，結合圖譜關系網絡實現(xiàn)精準信息檢索，最終通過交互界面實時呈現(xiàn)結構化應答。測試表明，該系統(tǒng)在語義理解準確率、響應時效性和知識覆蓋度等關鍵指標上取得良好效果，能有效滿足公眾獲取專業(yè)醫(yī)療信息的需求。

關鍵詞：知識圖譜；自然語言處理；智能問診；醫(yī)療健康；信息檢索

中圖分類號：TP18" " " 文獻標識碼：A

文章編號：1009-3044（2025）16-0039-03

開放科學（資源服務） 標識碼（OSID） ：

0 引言

隨著互聯(lián)網成為公眾獲取醫(yī)療健康信息的核心渠道，傳統(tǒng)在線問診系統(tǒng)基于關鍵詞匹配的局限性日益顯著。這類系統(tǒng)經常返回海量冗余信息，導致用戶須耗時篩選無關內容，例如搜索“頭疼”，可能返回大量無關藥品廣告，難以滿足精準獲取醫(yī)療知識的需求[1]。研究表明，僅38%的用戶能在首次搜索中獲取有效信息，凸顯智能化升級的緊迫性。在此背景下，知識圖譜技術憑借結構化知識表示和語義推理能力，成為醫(yī)療智能化的關鍵技術路徑[2]。當前研究已形成多維度突破：UMLS通過整合127個醫(yī)學術語系統(tǒng)，構建了全球最大的醫(yī)學語義網絡[3]；陳名團隊基于10年生物醫(yī)藥文獻構建的知識圖譜，實現(xiàn)了研究熱點的動態(tài)可視化追蹤[4]；田玲提出的知識超圖架構，則通過三維關系建模突破了傳統(tǒng)圖譜的二元限制，相較于傳統(tǒng)的基于二元關系的知識圖譜推理模型，在疾病并發(fā)癥推理中準確率有了明顯提升[5]。此外，基于深度學習的實體識別和圖神經網絡驅動的語義檢索技術[6-8]，為系統(tǒng)實現(xiàn)奠定了技術基礎。

本研究基于現(xiàn)有的技術研究進展，構建了覆蓋疾病、癥狀、藥品等核心概念的醫(yī)療知識圖譜，并開發(fā)了智能問診系統(tǒng)。系統(tǒng)通過Neo4j圖數(shù)據(jù)庫存儲實體節(jié)點與關系邊，支持各項復雜查詢。將用戶鍵入的問題或關鍵詞進行系列處理，最大限度理解用戶的真實意圖，并充分運用圖譜中已存儲的相關醫(yī)療知識，向用戶反饋相應結果。

1 系統(tǒng)架構設計

智能問診系統(tǒng)采用模塊化設計，劃分為數(shù)據(jù)處理、問句處理、前端交互三大模塊。如圖1所示。數(shù)據(jù)處理模塊作為系統(tǒng)基礎，通過數(shù)據(jù)清洗、實體識別、關系抽取等技術對原始醫(yī)療數(shù)據(jù)進行處理，實現(xiàn)知識的存儲。問診處理模塊解析用戶的輸入，生成相應的Cypher語句以執(zhí)行知識檢索。前端交互模塊為用戶提供可視化界面，包括查詢輸入框和結果展示區(qū)，實現(xiàn)人機交互功能。三個模塊協(xié)同工作，共同完成從數(shù)據(jù)采集、知識處理到結果展示的完整流程。

2 醫(yī)療知識圖譜構建

2.1 構建流程

部署完Neo4j數(shù)據(jù)庫的環(huán)境后，對CCKS測評數(shù)據(jù)集及網絡采集的醫(yī)療數(shù)據(jù)進行預處理，包括文本分詞、數(shù)據(jù)脫敏等操作。隨后，系統(tǒng)從預處理后的語料中提取各類醫(yī)療實體，并充分挖掘實體之間的關聯(lián)關系。最終，通過批量導入的方式將結構化醫(yī)療知識存儲至Neo4j數(shù)據(jù)庫，并實現(xiàn)可視化展示，從而完成醫(yī)療知識圖譜的構建。知識圖譜完整構建流程如圖2所示。

醫(yī)療知識在Neo4j數(shù)據(jù)庫中以三元組結構lt;實體—關系—實體gt;進行存儲，其中實體映射為數(shù)據(jù)庫中的節(jié)點，實體間的關聯(lián)則通過節(jié)點間的連線表示。醫(yī)療知識元素與Neo4j數(shù)據(jù)庫結構的對應關系詳見表1。

按照表中Neo4j元素與醫(yī)療知識相對應的規(guī)則，將每條醫(yī)療知識按表示為節(jié)點和邊的方式進行存儲。

在知識圖譜構建過程中，醫(yī)療知識經三元組轉化后需導入Neo4j數(shù)據(jù)庫進行存儲。針對不同數(shù)據(jù)規(guī)模，可采用差異化的導入策略：對于小規(guī)模數(shù)據(jù)，通常使用Cypher語言通過可視化界面手動創(chuàng)建節(jié)點和關系，該方法適用于實體數(shù)量有限、結構簡單的場景；面對大規(guī)模數(shù)據(jù)處理時，則主要采用兩種高效方式，其一是利用“Neo4j-import”工具進行批量導入，具有高效、低耗的特點，但缺乏數(shù)據(jù)追加能力；其二是將數(shù)據(jù)預處理為JSON格式后，通過“LOAD JSON”指令實現(xiàn)批量加載，支持大規(guī)模數(shù)據(jù)的快速導入。醫(yī)療數(shù)據(jù)規(guī)模龐大、關系復雜，且為滿足后續(xù)數(shù)據(jù)動態(tài)維護的需求，系統(tǒng)最終選擇JSON格式的批量導入方案。

2.2 存儲過程

基于上述醫(yī)療知識元素與Neo4j數(shù)據(jù)庫結構的對應關系，醫(yī)療知識的存儲過程可分為兩個核心環(huán)節(jié)：首先創(chuàng)建醫(yī)療實體節(jié)點，隨后在相關節(jié)點間建立關系邊，從而實現(xiàn)醫(yī)療知識的網絡化存儲。

2.2.1 創(chuàng)建醫(yī)療實體節(jié)點

以“診療科室”醫(yī)療實體為例，運行節(jié)點創(chuàng)建語句后建立的部分實體節(jié)點如圖3所示。

2.2.2 創(chuàng)建關系實體邊

在知識圖譜中，相關醫(yī)療實體通過關系邊實現(xiàn)關聯(lián)。以“苯中毒”這一疾病實體為例，它與藥物實體“大月晶丸”建立“recommend_drug”類型的關系邊，表示推薦用藥；與癥狀實體“抽搐”建立“has_symptom”類型的關系邊，表征疾病癥狀；同時與檢查實體“血常規(guī)”建立“need_check”類型的關系邊，反映所需檢查項目。這四類醫(yī)療實體及其關聯(lián)關系如圖4所示，共同構成了完整的知識網絡。

2.3 醫(yī)療知識圖譜可視化

當醫(yī)療數(shù)據(jù)存儲流程結束后，在Neo4j的可視化界面可以查看創(chuàng)建的醫(yī)療知識圖譜，圖5為本文構建的醫(yī)療知識圖譜部分展示。

如圖5所示，所構建的醫(yī)療知識圖譜呈現(xiàn)出高度密集的關聯(lián)網絡。圖譜采用多色節(jié)點區(qū)分各類醫(yī)療實體，實體間的關聯(lián)通過帶箭頭的實線連接，方向從起始實體指向目標實體。對于具有多重關聯(lián)的實體節(jié)點，系統(tǒng)會生成多條關系邊并標注相應關系類型。基于該知識圖譜，可利用Cypher查詢語言進行醫(yī)療信息的檢索與動態(tài)維護，實現(xiàn)醫(yī)療數(shù)據(jù)的網絡化可視化展示，為智能問診系統(tǒng)的開發(fā)提供了可靠的數(shù)據(jù)支撐。

3 系統(tǒng)實現(xiàn)

3.1 系統(tǒng)開發(fā)環(huán)境

本研究采用Flask框架作為智能問診系統(tǒng)的開發(fā)基礎。系統(tǒng)前端基于Vue框架構建，采用HTML和CSS實現(xiàn)界面設計與布局。后端開發(fā)主要運用Python編程語言，通過py2neo庫實現(xiàn)與Neo4j圖數(shù)據(jù)庫的交互，從而有效訪問和操作醫(yī)療知識圖譜數(shù)據(jù)。系統(tǒng)開發(fā)環(huán)境的具體配置參數(shù)詳見表2所示。

3.2 系統(tǒng)功能測試

將系統(tǒng)后端與前端界面相連，在Google瀏覽器中輸入相應的IP地址與端口號，輸入賬號和密碼即可進入智能問診系統(tǒng)主頁，如圖6所示。主頁為用戶提供文本或關鍵字輸入框，點擊“提交”鍵后，系統(tǒng)會自動對輸入的內容進行處理并傳輸?shù)胶蠖诉M行知識檢索。

為驗證系統(tǒng)的功能完整性，本研究設計了測試用例進行功能驗證。以“百日咳的臨床表現(xiàn)及檢查方法”查詢?yōu)槔脩粼谥鹘缑孑斎雴栴}并點擊提交后，系統(tǒng)界面將智能分屏顯示：左下方區(qū)域呈現(xiàn)問題解析及詳細解答，右下方則可視化展示相關醫(yī)療知識節(jié)點圖譜，具體效果如圖7所示。該測試方案有效驗證了系統(tǒng)的知識檢索、語義理解和可視化展示等核心功能的可用性。

系統(tǒng)具備智能查詢記憶功能，可自動存儲用戶的搜索記錄。當用戶輸入特定關鍵詞時，系統(tǒng)會在下拉菜單中顯示包含該關鍵詞的歷史查詢記錄。以“肺氣腫”為例，用戶在輸入該關鍵詞時，界面會自動彈出近期相關的查詢記錄，如圖8所示。這一設計旨在為用戶提供便捷的查詢體驗，減少重復輸入的操作。若推薦的歷史記錄未能滿足需求，用戶仍可自由輸入新的查詢內容進行搜索。

在系統(tǒng)運行過程中，若用戶查詢的知識點超出醫(yī)療知識圖譜的覆蓋范圍，系統(tǒng)將啟動智能提示機制。不同于傳統(tǒng)錯誤頁面的跳轉方式，系統(tǒng)會通過友好的交互界面向用戶反饋查詢結果。例如，當用戶輸入“如何設計一份高質量的調查問卷”這類非醫(yī)療領域問題時，系統(tǒng)界面會顯示“當前問題不在知識庫范圍內，建議您嘗試其他醫(yī)療相關問題”的提示信息，同時右側的知識圖譜展示區(qū)也會出現(xiàn)“敬請期待”的圖標。這種設計既避免了用戶對系統(tǒng)功能的誤解，又提升了人機交互的友好度。測試結果如圖9所示。

三個功能測試用例對應于正常搜索、系統(tǒng)緩存信息以及錯誤搜索三個類別，結果顯示系統(tǒng)均能正常運行，達到預期效果。這說明系統(tǒng)基本能滿足用戶對醫(yī)療健康知識檢索的需求。

4 結束語

本研究采用Neo4j圖數(shù)據(jù)庫作為醫(yī)療知識圖譜的存儲平臺，通過將結構化醫(yī)療數(shù)據(jù)轉化為三元組形式進行存儲，實現(xiàn)了知識圖譜的構建。基于這一知識庫，設計開發(fā)了一套智能問診系統(tǒng)，該系統(tǒng)采用模塊化設計，具備良好的可擴展性。研究詳細闡述了系統(tǒng)的整體架構及各功能模塊的實現(xiàn)原理，并通過可視化界面展示了系統(tǒng)運行效果。為驗證系統(tǒng)性能，研究設計了多維度測試方案，實驗結果表明該系統(tǒng)基本能夠準確理解并回答用戶提出的醫(yī)療健康咨詢，各項功能指標均符合設計要求，具有一定的實用性。

本研究尚存在不足，后續(xù)將從拓展圖譜覆蓋的語料范圍、優(yōu)化模型以便更加精準處理用戶的復雜問題、豐富優(yōu)化系統(tǒng)的功能等方面深入研究。

參考文獻：

[1] 唐華，胡為，劉偉，等.基于知識圖譜的中醫(yī)醫(yī)案智能問診系統(tǒng)設計與實現(xiàn)[J].現(xiàn)代計算機，2023，29（19）：98-101.

[2] 張卓群.基于知識圖譜的醫(yī)療問診關鍵技術研究[D].杭州：杭州電子科技大學，2024.

[3] MAO Y Q，F(xiàn)UNG K W.Use of word and graph embedding to measure semantic relatedness between Unified Medical Language System concepts[J].Journal of the American Medical Informatics Association，2020，27（10）：1533-1541.

[4] 陳名，邵蓉.生物類似物研究領域的知識圖譜分析及其對我國政策啟示[J].中國科技論壇，2014（11）：144-148.

[5] 田玲，張謹川，張晉豪，等.知識圖譜綜述：表示、構建、推理與知識超圖理論[J].計算機應用，2021，41（8）：2161-2186.

[6] 趙繼貴，錢育蓉，王魁，等.中文命名實體識別研究綜述[J].計算機工程與應用，2024，60（1）：15-27.

[7] 張云秋，殷策.基于大模型的中文電子病歷實體自動識別研究[J/OL].數(shù)據(jù)分析與知識發(fā)現(xiàn)，2024：1-18.[2024-10-20].http：//kns.cnki.net/kcms/detail/10.1478.g2.20241118.1735.004.html.

[8] 李夢翔，尤麗玨.基于深度主動學習的中文電子病歷命名實體識別[J].微型電腦應用，2022，38（6）：132-134.

【通聯(lián)編輯：謝媛媛】