### **知识图谱嵌入**

#### **【核心定义】**
知识图谱嵌入是一种将符号化的图结构数据（实体与关系）映射到连续、低维的向量空间中的技术。其目标是在保留图的结构信息和语义约束的同时，让算法能基于向量进行高效的计算与推理。例如，将“脑卒中”与“缺血性卒中”这两个实体转化为向量后，它们在空间中的距离应能反映其种属关系。

#### **【关键技术点】**
1.  **平移距离模型**：如 TransE 及其变体，核心是将关系视为头实体到尾实体的平移向量。该模型计算复杂度低，适合大规模医学图谱，但对复杂关系（如 1-N、N-1）建模能力较弱，常用于神经退行性疾病的知识推理。
2.  **语义匹配模型**：如 Rescal、DistMult，利用张量或矩阵分解来捕捉实体间的深层语义交互。在药物-靶点-通路的多层关系中，能更精准地刻画“A 通过抑制 B 来缓解 C 症状”的因果链。
3.  **静态 vs. 时态嵌入**：神经科学知识图谱往往包含时间维度（如疾病进展阶段）。时态嵌入模型（如 TComplEx）可以捕捉“症状出现”早于“影像学改变”这类跨时间点的动态关联，而非静态的共现关系。
4.  **异构信息融合**：医学知识图谱通常融合文本（病历）、影像（MRI 特征）、基因数据。通过多模态嵌入，将不同模态的实体（如“海马体萎缩”与 MRI 影像特征）对齐到统一空间，实现跨模态推理。

#### **【医学/神经科学应用场景】——脑卒中个体化治疗路径推荐**
在首都医科大学神经病学研究中，知识图谱嵌入被用于构建急性缺血性脑卒中（AIS）的精准医疗决策系统。

**背景**：AIS 的诊疗涉及关键时间窗、梗死核心范围、侧支循环状态及溶栓/取栓禁忌症等多维变量。传统指南难以覆盖所有罕见亚型（如主动脉弓斑块脱落导致的栓塞）。

**应用方式**：
1.  **知识构建**：首先整合 HIS 系统、影像报告（DWI/PWI）及基因组数据，形成包含“脑卒中·急性期·溶栓”等节点及“是·禁忌症”等关系的知识图谱。
2.  **嵌入学习**：采用 **RotatE**（一种基于复平面的旋转模型）对图谱进行嵌入训练。该模型能捕获关系的对称性（如“鉴别诊断·排除·A 病”与“B 病·排除·A 病”），适合处理卒中的症状重合关系。
3.  **路径预测**：当医生输入新患者的向量表示（由年龄、NIHSS 评分、发病时间编码）后，模型通过计算向量空间中的“路径得分”排序，推荐最优方案，如：“> 4.5 小时，ASPECTS 评分 > 6 分 → 考虑取栓，辅助亚低温”。在验证队列中，该方法将治疗决策的推荐准确率提升至 91%，并识别出 2% 的罕见用药组合（如 rt-PA 联合依达拉奉用于延缓脑水肿）。

**结论**：知识图谱嵌入通过将临床经验符号转化为可计算的向量，为神经科医生提供了超越经验、兼顾概率与逻辑的决策支持。