知识图谱
Parent: ai_keywords
核心定义
知识图谱（Knowledge Graph）是一种基于图结构的语义网络，以“实体（节点）”和“关系（边）”的形式组织知识。其核心是三元组（Subject-Predicate-Object），通过关联数据实现从信息到知识的跃升。相较于传统数据库，知识图谱具备可解释性与推理能力，能够表达复杂逻辑和多跳关联。
关键技术点
- 知识抽取：从非结构化文本（如医学文献、电子病历）中自动识别实体（如“脑梗死”）与关系（如“并发症→脑水肿”），常结合命名实体识别（NER）与关系分类。
- 知识融合：解决异构数据源中的实体冲突与歧义（如“PD”可指帕金森病或程序性死亡），通过实体对齐、本体映射实现语义统一。
- 知识推理：利用逻辑规则（如“A导致B，B导致C ⇒ A间接导致C”）或图神经网络（GNN）预测隐式关系，例如从药物-靶点-疾病链推导新适应症。
- 图数据库管理：采用Neo4j等原生图引擎存储三元组，支持亿级节点的关联查询（如递归路径搜索），优化医学动态图的实时更新性能。
医学/神经科学应用场景：首都医科大学帕金森病知识图谱
在神经变性疾病领域，知识图谱可整合多模态数据辅助临床决策。以帕金森病（PD）为例，首都医科大学神经病学团队构建的PD多维度知识图谱包含以下节点：
- 症状节点：静止性震颤、肌强直、姿势不稳；
- 影像节点：黑质超声（SNc）、PET-DAT显像；
- 基因节点：SNCA、LRRK2、GBA；
- 药物节点：左旋多巴、DBS靶点（STN/GPi）。
通过图推理可实现：输入非典型症状（如步态冻结）→ 图谱检索 → 输出关联的早期影像标志物（壳核萎缩）及基因突变概率，辅助鉴别进行性核上性麻痹（PSP）。同时，利用时序关系边（“治疗后6个月”→“运动并发症”）预测疾病进展风险，为个体化治疗窗设定提供证据。该技术已应用于天坛医院神经变性病专病数据库，提升临床路径推荐的解释性与准确性。
