尹梓名 杜方芮 趙紫彤

摘 ?要： 隨著人工智能的迅猛發(fā)展以及智慧醫(yī)療的提出，具備高關(guān)聯(lián)性，高結(jié)構(gòu)化的醫(yī)學(xué)知識圖譜成為智慧醫(yī)療的研究熱點(diǎn)。然而基于互聯(lián)網(wǎng)大數(shù)據(jù)構(gòu)建的知識圖譜，其知識質(zhì)量難以保證，難以適用于具有高專業(yè)、高要求、高準(zhǔn)確度的臨床輔助診療場景。本文提出一種基于臨床指南的知識圖譜構(gòu)建方法，著重在知識源頭進(jìn)行優(yōu)化，主要對其中包含的陳述性知識和流程性知識進(jìn)行建模。最后以非小細(xì)胞肺癌與冠心病兩類疾病為例，分別構(gòu)建了疾病知識圖譜，驗(yàn)證了該方法的可用性。

關(guān)鍵詞： 知識圖譜;臨床指南;本體;Neo4j

中圖分類號： TP391.5 ???文獻(xiàn)標(biāo)識碼： A ???DOI：10.3969/j.issn.1003-6970.2020.09.047

【Abstract】： With the rapid development of artificial intelligence and the proposal of intelligent medicine， medical knowledge graph with high relevance and high structure has become the research hotspot. However， the knowledge graph based on Internet big data is difficult to ensure the quality of knowledge， and it is difficult to apply to the clinical auxiliary diagnosis and treatment scene with high professional， high requirements and high accuracy. This paper proposes a construction method of knowledge graph based on clinical guidelines， focusing on knowledge optimization at the source of knowledge， mainly modeling the declarative knowledge and process knowledge. Finally， the knowledge graph of non-small cell lung cancer and coronary heart disease was constructed to verify the availability of this method.

【Key words】： Knowledge graph; Clinical guidelines; Ontology; Neo4j

0 ?引言

隨著人工智能的迅速發(fā)展以及智慧醫(yī)療的提出，涉及到知識抽取、表示、融合、推理、問答等內(nèi)容的知識圖譜成為知識服務(wù)領(lǐng)域的一個研究熱點(diǎn)。作為目前人工智能領(lǐng)域最前沿且最重要的一種知識表示形式，知識圖譜基于語義網(wǎng)絡(luò)，提供從“關(guān)系”的角度去分析問題的能力，從而構(gòu)建高關(guān)聯(lián)性，高結(jié)構(gòu)化的知識模型。目前，現(xiàn)有的面向互聯(lián)網(wǎng)應(yīng)用場景的通用知識圖譜構(gòu)建技術(shù)[1-5]，雖然能夠快速、大量地建立知識圖譜，但是基于網(wǎng)絡(luò)數(shù)據(jù)建立的知識圖譜，其準(zhǔn)確性和可靠性存疑，知識質(zhì)量難以保證，形成的知識圖譜未必完全正確，難以適用于具有高準(zhǔn)確度的臨床輔助診療場景，且這種方法生成的知識圖譜冗余度較大[6-7]。所以如何從各種專業(yè)的醫(yī)學(xué)資料中構(gòu)建知識圖譜是醫(yī)學(xué)知識圖譜研究的重點(diǎn)內(nèi)容。臨床指南（Clinical Guidelines）是基于循證醫(yī)學(xué)的觀點(diǎn)系統(tǒng)開發(fā)的多組臨床指導(dǎo)意見，用于幫助醫(yī)生和病人針對特定的臨床問題做出恰當(dāng)?shù)奶幚?，減少醫(yī)療差錯，避免資源浪費(fèi)[8]。

因此，基于臨床指南構(gòu)建用于輔助臨床決策的醫(yī)學(xué)知識圖譜是一種值得研究的方法。本論文提出一種基于臨床指南構(gòu)建知識圖譜技術(shù)，圍繞流程性知識與陳述性知識兩種臨床指南知識表達(dá)方式，建立結(jié)構(gòu)化本體庫和知識圖譜模型。該方法著重在知識源頭對知識進(jìn)行優(yōu)化，設(shè)計(jì)并調(diào)整概念間的關(guān)系結(jié)構(gòu)，對實(shí)例與實(shí)例間的聯(lián)系進(jìn)行細(xì)化完善，保證數(shù)據(jù)的可用性與可靠性。依據(jù)此方法，本文以美國NCCN公布的非小細(xì)胞肺癌臨床診療指南和中華醫(yī)學(xué)會公布的冠心病診療指南為例，構(gòu)建了這兩種疾病的知識圖譜，并驗(yàn)證了其可行性，為醫(yī)療智能輔助決策提供了一種高質(zhì)量構(gòu)建知識圖譜的方法。

1 ?基于臨床指南的知識圖譜構(gòu)建

1.1 ?概念層（本體層）

臨床指南由大量臨床概念、術(shù)語及邏輯關(guān)系組成。構(gòu)建基于臨床指南的知識圖譜，首先應(yīng)從指南中抽象出其概念層次，將指南結(jié)構(gòu)化。本體設(shè)計(jì)是知識表達(dá)的一種方式，相當(dāng)于知識圖譜的結(jié)構(gòu)層次構(gòu)建，突出

強(qiáng)調(diào)概念及概念間的關(guān)系，通過本體形成的知識庫不僅層次結(jié)構(gòu)較強(qiáng)，而且冗余度較小，是知識圖譜概念層構(gòu)建必不可少的環(huán)節(jié)。因此，可通過對指南進(jìn)行 ?知識抽取，提取指南的概念層內(nèi)容，進(jìn)而進(jìn)行本體設(shè)計(jì)。

1.1.1 ?概念結(jié)構(gòu)表設(shè)計(jì)

文本指南中的知識主要由陳述性知識和流程性知識兩大類構(gòu)成[9]。流程性知識關(guān)注的是陳述性知識的推理過程及推理結(jié)果。如何從不同格式的知識中提取概念層次內(nèi)容，是概念層設(shè)計(jì)的核心部分。從臨床指南的角度來看，我們關(guān)注概念模型的三個內(nèi)容：概念內(nèi)容，概念實(shí)例，以及概念間的邏輯關(guān)系。

（1）概念內(nèi)容：概念內(nèi)容是對指南中屬于同一類醫(yī)學(xué)知識的歸一化過程。

（2）概念實(shí)例：是概念內(nèi)容的子集，需要通過命名實(shí)體識別技術(shù)來完成。應(yīng)注意，概念實(shí)例的提取可與數(shù)據(jù)層的實(shí)體抽取同步進(jìn)行。

（3）概念間的邏輯關(guān)系：描繪兩個概念內(nèi)容的關(guān)系，在流程性知識中通常以有向圖的指向關(guān)系來表示，在陳述性知識中需要通過語句語義來確認(rèn)概念間的邏輯關(guān)系。

概念層設(shè)計(jì)相當(dāng)于知識圖譜的架構(gòu)設(shè)計(jì)，是知識圖譜結(jié)構(gòu)化，規(guī)范化的根基。因此，將概念內(nèi)容按上下位關(guān)系，整理成疾病概念結(jié)構(gòu)表，便于知識圖譜構(gòu)建的理解與運(yùn)用，如表1所示。

1.1.2 ?概念關(guān)系表設(shè)計(jì)

要實(shí)現(xiàn)指南結(jié)構(gòu)化的概念整合，更重要的一步是使這些概念層在語義上形成關(guān)聯(lián)，以構(gòu)成一個完整的指南結(jié)構(gòu)體。確定概念層之間的關(guān)系主要通過兩種手段來實(shí)現(xiàn)：確定同類型醫(yī)學(xué)概念關(guān)系，確定不同類型醫(yī)學(xué)概念關(guān)系。同類型醫(yī)學(xué)概念關(guān)系的確定主要體現(xiàn)在實(shí)體的上下位關(guān)系。概念結(jié)構(gòu)表確定了概念層的上下位關(guān)系后，這一步主要關(guān)心不同類型醫(yī)學(xué)概念關(guān)系。

不同類型醫(yī)學(xué)概念關(guān)系的確定以類與類之間的映射關(guān)系為核心，是對概念間邏輯關(guān)系的歸納。由于疾病的治療普遍包含檢查、評估、治療、用藥、監(jiān)測等步驟，我們設(shè)計(jì)了一張以疾病知識圖譜為使用對象的通用概念關(guān)系表，不同疾病知識圖譜的概念關(guān)系可在此表的基礎(chǔ)上進(jìn)行設(shè)計(jì)使用，也可對特定關(guān)系進(jìn)行增補(bǔ)。

1.2 ?數(shù)據(jù)層（實(shí)體和關(guān)系）

構(gòu)建指南數(shù)據(jù)層的目的是從不同格式的臨床指南中提取醫(yī)學(xué)知識，并將醫(yī)學(xué)知識轉(zhuǎn)換成可被計(jì)算機(jī)處理的數(shù)據(jù)格式。知識圖譜數(shù)據(jù)應(yīng)用的前提是，這些數(shù)據(jù)具有規(guī)范化的數(shù)據(jù)模型和物理模型。數(shù)據(jù)模型是對數(shù)據(jù)的有效表示，是從人的角度對知識圖譜的數(shù)據(jù)進(jìn)行描述，包含三元組模型和圖模型兩種模型。物理層面的存儲是從計(jì)算機(jī)的角度對數(shù)據(jù)進(jìn)行存儲[10]，包含關(guān)系表存儲和圖存儲兩者存儲方式。數(shù)據(jù)模型和物理模型的合理化構(gòu)建關(guān)系到知識圖譜的有效性利用。對于數(shù)據(jù)層的構(gòu)建，我們利用三元組數(shù)據(jù)模型來描述指南知識，通過知識抽取，知識存儲兩個內(nèi)容，將指南知識有效地存儲在圖數(shù)據(jù)庫管理系統(tǒng)Neo4j中。

1.2.1 ?知識抽取

醫(yī)學(xué)臨床指南中含有大量醫(yī)學(xué)臨床術(shù)語及指南流程，臨床指南的知識抽取就是從臨床指南中抽取與概念層設(shè)計(jì)相匹配的實(shí)體和關(guān)系，并將其整理成實(shí)體庫和三元組關(guān)系庫。知識抽取主要包括兩方面內(nèi)容：

（1）醫(yī)學(xué)實(shí)體抽取：從指南中識別命名實(shí)體，并將其分類到定義的類別。

（2）醫(yī)學(xué)關(guān)系抽取：從指南中識別并抽取實(shí)體和實(shí)體之間的關(guān)系。關(guān)系必須是三元組形式，即實(shí)體-關(guān)系-實(shí)體。整理出的多元關(guān)系如圖所示。

在實(shí)體抽取和關(guān)系抽取時，亦可針對不同實(shí)體類設(shè)定相關(guān)屬性。例如藥品類別含有藥品名稱，藥品英文名稱，藥品類別等屬性。

1.2.2 ?知識存儲

明確了所有實(shí)體以及實(shí)體的關(guān)系后，需要設(shè)計(jì)數(shù)據(jù)的物理模型，對知識進(jìn)行存儲，形成知識圖譜。選擇存儲體系時需考慮知識可靠、可融合、可應(yīng)用等問題。為表示多樣化，復(fù)雜化的醫(yī)學(xué)實(shí)體關(guān)系，我們選用基于Neo4j圖數(shù)據(jù)庫作為存儲體系。Neo4j是基于Java開發(fā)的開源原生數(shù)據(jù)庫，是一個兼?zhèn)涓咝阅?、嵌入式、輕量級等優(yōu)勢的NoSQL圖像數(shù)據(jù)庫。基于抽取的三元組數(shù)據(jù)模型，設(shè)計(jì)導(dǎo)入的醫(yī)學(xué)節(jié)點(diǎn)和關(guān)系節(jié)點(diǎn)，考慮到疾病臨床指南所整理的數(shù)據(jù)為中等規(guī)模以及數(shù)據(jù)可實(shí)時插入的效果，采用導(dǎo)入Csv文件為主的方式，對數(shù)據(jù)進(jìn)行存儲。

2 ?知識圖譜的應(yīng)用案例

為驗(yàn)證上述方法的可行性，本文以非小細(xì)胞肺癌和冠心病的臨床指南為例，依照本文所述方法分別建立兩種疾病的知識圖譜。

2.1 ?案例一：非小細(xì)胞肺癌知識圖譜構(gòu)建

近10多年來，惡性腫瘤發(fā)病人數(shù)成增長趨勢。美國癌癥協(xié)會（ACS）在《2020年癌癥統(tǒng)計(jì)》上預(yù)估了2020年美國新發(fā)癌癥病例數(shù)和死亡人數(shù)，統(tǒng)計(jì)顯示，在所有癌癥死亡中四分之一是由于肺癌所致，高于乳腺癌、前列腺癌和結(jié)直腸癌三者病例?；谏鲜鲋R圖譜構(gòu)建方法，我們構(gòu)建了非小細(xì)胞肺癌臨床本體以及可推理的知識圖譜，從而實(shí)現(xiàn)非小細(xì)胞肺癌的臨床輔助決策。

在當(dāng)今中國的腫瘤防治領(lǐng)域，為實(shí)現(xiàn)腫瘤治療的規(guī)范化、科學(xué)化，普遍倡導(dǎo)以美國國家綜合癌癥網(wǎng)絡(luò)（NCCN）發(fā)布的臨床實(shí)踐指南為首選的循證學(xué)依據(jù)[11]。該指南以有向流程圖的形式，描述了非小細(xì)胞肺癌的臨床診治過程，例如根據(jù)各個疾病分期或臨床表現(xiàn)給出對應(yīng)的評估，治療流程，如圖1所示。

2.1.1 ?概念層設(shè)計(jì)

首先，對圖1所示的部分臨床指南進(jìn)行概念層提取。第一步，提取概念內(nèi)容，分別為“臨床表現(xiàn)”，“初始治療”，“輔助治療”和“治療方法”四個內(nèi)容?！爸委煼椒ā痹谟邢驁D中并未提示，但通過歸納可知，“手術(shù)”，“化療”，“術(shù)前同步放化療”均為一種“治療方法”。第二步，提取概念實(shí)例，分別為“肺上溝瘤（T3侵犯，N0-1）”，“術(shù)前同步放化療”，“手術(shù)”，“化療”四個實(shí)例，此步驟要盡可能多的挖掘出臨床指南中高質(zhì)量的醫(yī)學(xué)詞匯。第三步，提取概念間的邏輯關(guān)系，分別為“臨床表現(xiàn)的初始治療是（某一治療方法）”，“臨床表現(xiàn)的輔助治療是（某一治療方法）”。通過對臨床指南內(nèi)容的整理歸納（例如由“初始治療”，“輔助治療”，“后續(xù)治療”挖掘出上級概念層“治療時期”），整理出非小細(xì)胞肺癌本體的三級概念結(jié)構(gòu)，如表4所示。

其次，進(jìn)行概念關(guān)系層設(shè)計(jì)，基于提取的概念間的邏輯關(guān)系，可將語義關(guān)系表設(shè)計(jì)如下表5所示。

2.1.2 ?數(shù)據(jù)層設(shè)計(jì)

數(shù)據(jù)層設(shè)計(jì)主要是從臨床指南中挖掘出具有高質(zhì)量的醫(yī)學(xué)實(shí)體（概念實(shí)例）和關(guān)系，并將其整理成三元組的格式，存儲在Neo4j數(shù)據(jù)庫中。實(shí)體關(guān)系必須以概念層設(shè)計(jì)的關(guān)系表為框架，實(shí)現(xiàn)實(shí)體與實(shí)體之間的關(guān)系連接。

如圖2所示，該部分指南表示的意思為“臨床評估為IA期（周圍型 T1abc，N0）分期的病人，需先進(jìn)行治療前評估，評估方法有肺功能檢查，支氣管鏡，縱隔淋巴結(jié)病理學(xué)評估，F(xiàn)DG PET/CT掃描”，故提取實(shí)體“IA期（周圍型T1abc，N0）”為臨床分期，“肺功能檢查”，“支氣管鏡”，“縱隔淋巴結(jié)病理學(xué)評估”和“FDG PET/CT掃描”為評估方法，概念內(nèi)容“臨床分期”與“評估方法”的關(guān)系為“has_assessment”（有…評估方法），生成表6所示的三元組關(guān)系表。

2.1.3 ?臨床實(shí)例驗(yàn)證

非小細(xì)胞肺癌知識圖譜可應(yīng)用于臨床輔助決策，實(shí)現(xiàn)搜索與推薦功能。隨著圖數(shù)據(jù)規(guī)模的日益增大，大圖上的子圖搜索問題變得極為重要[12]。我們可以通過不同的方法來實(shí)現(xiàn)搜索功能，例如基于規(guī)則的子圖匹配，基于節(jié)點(diǎn)與結(jié)構(gòu)相似度的子圖匹配等[13]。本文通過規(guī)則匹配的方法，實(shí)現(xiàn)了非小細(xì)胞肺癌系統(tǒng)的后臺操作代碼。

效果如下：當(dāng)用戶點(diǎn)擊“II期（T2b，N0）”臨床分期和搜索條件“治療方法”時，系統(tǒng)會根據(jù)非小細(xì)胞肺癌知識圖譜接收搜索條件內(nèi)容，通過規(guī)則匹配，最后將其轉(zhuǎn)換為Cypher語句以在Neo4j中查詢答案。結(jié)果如圖5所示。

非小細(xì)胞肺癌知識圖譜的應(yīng)用也可體現(xiàn)在病人的診中和診后的環(huán)節(jié)，為醫(yī)生提供診斷輔助決策。例如，基于病人主訴，醫(yī)生評估病人的疾病分期為“A期（周圍型T1abc，N0）”，臨床決策支持系統(tǒng)可查詢知識圖譜，知識圖譜會針對該疾病分期給出不同的評估方法，治療方法與監(jiān)測方法，如圖6所示。

2.2 ?案例二：冠心病知識圖譜構(gòu)建

冠狀動脈粥樣硬化性心臟病是冠狀動脈血管發(fā)生動脈粥樣硬化病變而引起血管腔狹窄或阻塞，造成心肌缺血、缺氧或壞死而導(dǎo)致的心臟病，常常被稱為“冠心病”。冠心病在美國和許多發(fā)達(dá)國家排在死亡原因的第一位。參照本文對流程性知識的構(gòu)建方法，以《臨床診療指南·心血管分冊（2017年修訂版）》冠心病臨床指南[14]為基礎(chǔ)，對臨床指南陳述性知識進(jìn)行分析，

2.2.1 ?概念層設(shè)計(jì)

醫(yī)學(xué)知識關(guān)系錯綜復(fù)雜并且醫(yī)學(xué)知識抽取的精確度要求高，為保證本體構(gòu)建的正確性，參考醫(yī)學(xué)主題詞表（MeSH），對冠心病領(lǐng)域內(nèi)的基本概念和概念之間的相互關(guān)系進(jìn)行分析，通過這些關(guān)系和概念完成本體的構(gòu)建。在理解MeSH詞表和臨床診療指南的基礎(chǔ)上，將冠心病知識本體分為患者病歷、疾病類型、檢測方法、檢測結(jié)果、治療方法、危險因素6大類，知識層級結(jié)構(gòu)如圖7所示。

在《臨床診療指南·心血管分冊（2017年修訂）》的基礎(chǔ)上，結(jié)合MeSH主題詞表，對構(gòu)建冠心病臨床指南中概念與概念之間的關(guān)系進(jìn)行詳細(xì)的分析，整理出冠心病本體三級概念結(jié)構(gòu)。具體概念結(jié)構(gòu)如下表7所示。

參考非小細(xì)胞肺癌關(guān)系層設(shè)計(jì)方法，對相似的部分進(jìn)行整合和復(fù)用，保證兩類疾病構(gòu)建知識圖譜結(jié)構(gòu)上的統(tǒng)一性。確定冠心病同類型醫(yī)學(xué)概念實(shí)體的上下位關(guān)系，并根據(jù)指南內(nèi)容，以類與類之間的映射關(guān)系為核心提取不同類型的醫(yī)學(xué)概念關(guān)系，以此整理出8種冠心病臨床指南實(shí)體與實(shí)體之間的關(guān)系，分別為has_class_of、has_treatment、has_assessment、has_detection、assess_result、belong_to、refer_to。冠心病臨床指南的概念關(guān)系圖下表8所示。

2.2.2 ?數(shù)據(jù)層構(gòu)建

通過知識抽取，對冠心病概念層和關(guān)系層進(jìn)行詳細(xì)設(shè)計(jì)，構(gòu)建冠心病本體，明確了實(shí)體及實(shí)體關(guān)系后，將關(guān)系數(shù)據(jù)和實(shí)體數(shù)據(jù)以三元組的形式導(dǎo)入到Neo4j圖形數(shù)據(jù)庫中，具體知識存儲方法參考非小細(xì)胞肺癌的知識圖譜構(gòu)建知識存儲部分的詳細(xì)說明，冠心病知識圖譜共包含133個醫(yī)學(xué)實(shí)體，137條實(shí)體間關(guān)系，可為冠心病臨床醫(yī)學(xué)決策提供參考。圖8為冠心病臨床指南知識圖譜可視化展示。

2.2.3 ?臨床應(yīng)用實(shí)例

冠心病知識圖譜的構(gòu)建為冠心病臨床決策提供了便捷的查詢方式。例如，醫(yī)學(xué)中藥品種類繁多，難以準(zhǔn)確記憶，在脫離臨床指南的情況下，如何在臨床上幫助醫(yī)生了解穩(wěn)定型心絞痛患者進(jìn)行藥物治療時應(yīng)當(dāng)使用何種藥物。我們借助Cypher語言在冠心病知識圖譜中查詢這一信息，輸入查詢語句“match data=（na：疾病類型{name：'穩(wěn)定型心絞痛'}）-[r1]->（nb：相關(guān)信息）-[r2]->（nc：治療方法）-[r3]->（nd：藥物治療） return data”對藥品信息進(jìn)行查詢，查詢結(jié)果如圖9所示。從查詢結(jié)果可看出對穩(wěn)定型心絞痛患者進(jìn)行藥物治療時，通?？刹捎孟跛狨ヮ愃幬?、抗凝藥物等。藥品信息通過冠心病知識圖譜被及時獲取，減輕了醫(yī)生記憶海量醫(yī)學(xué)知識和錯綜復(fù)雜醫(yī)學(xué)關(guān)系的難度，在臨床醫(yī)學(xué)決策上起到至關(guān)重要的作用。

3 ?討論

基于臨床指南的知識圖譜構(gòu)建方法是一種專注單一疾病，追求高質(zhì)量醫(yī)學(xué)知識表達(dá)的圖譜構(gòu)建方法，可以根據(jù)患者癥狀以及指標(biāo)數(shù)據(jù)，為專業(yè)領(lǐng)域的醫(yī)生提供診前、診中、診后的輔助性臨床決策方案。但此種方法仍有不足之處，首先，此種方法雖然可以保證錄入知識圖譜的數(shù)據(jù)質(zhì)量，但是需要由知識工程師和臨床醫(yī)生共同對臨床指南進(jìn)行整理與歸納，需要消耗一定的人力和時間。其次，文本指南中存在確定性知識和不確定性知識兩種類型，對不確定知識的取舍與分割亦是該方法的難點(diǎn)之一，較好的辦法是引入多種知識表達(dá)方式，增強(qiáng)知識圖譜的語義表達(dá)能力。綜上，本文所提出的方法只適用于專業(yè)領(lǐng)域的醫(yī)學(xué)知識圖譜構(gòu)建，對于通用醫(yī)學(xué)知識圖譜的構(gòu)建還需要依靠大數(shù)據(jù)技術(shù)來獲取實(shí)體，或是由多個專業(yè)領(lǐng)域圖譜融合來完成。

4 ?總結(jié)

本文提出了一種基于臨床指南的知識圖譜搭建方法，并針對陳述性知識和流程性知識兩種文本指南進(jìn)行知識圖譜搭建，實(shí)現(xiàn)了非小細(xì)胞肺癌和冠心病兩種疾病的知識圖譜。疾病知識圖譜的構(gòu)建為醫(yī)學(xué)臨床決策中查找和整合醫(yī)學(xué)知識，進(jìn)而進(jìn)行臨床輔助決策奠定了基礎(chǔ)。下一步工作將基于知識圖譜開發(fā)智能臨床輔助決策系統(tǒng)，實(shí)現(xiàn)知識圖譜的語義搜索與智能問答，幫助臨床醫(yī)生提高臨床決策的效率和質(zhì)量。

參考文獻(xiàn)

[1]楊美潔， 熊相超. 基于爬蟲技術(shù)和電子病歷的糖尿病知識圖譜的構(gòu)建[J]. 中國數(shù)字醫(yī)學(xué)， 2020， 2（2）： 6-8.

[2]廖浚斌， 周欣， 何小海， 等. 面向涉恐領(lǐng)域的知識圖譜構(gòu)建方法[J]. 信息技術(shù)與網(wǎng)絡(luò)安全， 2019， 38（9）： 34-38.

[3]康準(zhǔn)， 王德軍. 基于知識圖譜的生物學(xué)科知識問答系統(tǒng)[J]. 軟件， 2018， 39（2）： 07-11.

[4]王寧. 基于Web的領(lǐng)域知識圖譜構(gòu)建平臺的研究與實(shí)現(xiàn)[D]. 北京市： 北京郵電大學(xué)， 2019.

[5]Xin-Hong Jia， Wen-Ai song， Wei-Yan li， etc. Semi-automatic Construction Method Of Chronic Obstructive Pulmonary Disease Knowledge Graph[R]. Wisconsin， United States： IEEE 43rd Annual Computer Software and Applications Conference， 2019.

[6]崔潔， 陳德華， 樂嘉錦. 基于EMR的乳腺腫瘤知識圖譜構(gòu)建研究[J]. 計(jì)算機(jī)應(yīng)用與軟件， 2017， 34（12）： 122-126.

[7]孫鄭煜， 鄂海紅， 宋美娜， 等. 基于大數(shù)據(jù)技術(shù)的醫(yī)學(xué)知識圖譜構(gòu)建方法[J]. 軟件， 2020， 41（1）： 13-17.

[8]曹紅霞， 梁萬年. 循證臨床指南的開發(fā)程序[J]. 中國全科醫(yī)學(xué)， 2003， 6（4）： 342-344.

[9]吳彬飛. 臨床指南知識表達(dá)與應(yīng)用方法研究[D]. 浙江大學(xué). 2010.

[10]肖仰化等. 知識圖譜： 概念與技術(shù)[M]. 北京： 電子工業(yè)出版社， 2020. 1： [286].

[11]王書航， 王潔. 2018年V3版NCCN非小細(xì)胞肺癌指南更新要點(diǎn)解讀[J]. 華西醫(yī)學(xué)， 2018， 33（4）： 388-392.

[12]胡一然， 宋中山， 孫翀， 等. NVSA： 一種具有可變節(jié)點(diǎn)值的查詢圖搜索算法[J]. 軟件， 2018， 39（3）： 16-21.

[13]張玲玉， 尹鴻峰. 基于OAN的知識圖譜查詢研究[J]. 軟件， 2018， 39（1）： 54-59.

[14]中華醫(yī)學(xué)會. 臨床診療指南. 心血管分冊[M]. 人民衛(wèi)生出版社， 2017.