医学知识图谱
Medical Knowledge Graph（医学知识图谱，简称 MKG）是一种用图模型（Graph Model）来描述医疗领域概念及其相互关系的语义网络。它将枯燥的医学文本（如教科书、指南、病历）转化为计算机可理解的“实体-关系-实体”（Entity-Relation-Entity）三元组结构。在 人工智能医生 的构建中，医学知识图谱扮演着“大脑”的角色。与基于统计概率的大语言模型（LLM）不同，知识图谱提供确定的、可追溯的逻辑事实，是实现高精度临床决策支持系统（CDSS）和解决医疗AI幻觉（Hallucination）问题的关键技术基石。
核心架构：从 Schema 到 数据
构建一个医学知识图谱通常包含两个层面：
1. 模式层 (Schema Layer)： 相当于图谱的“骨架”或“本体”（Ontology）。定义了数据规则，例如：“疾病”可以“有症状”，“药物”可以“治疗疾病”。
2. 数据层 (Data Layer)： 填充具体的医学事实。例如：(肺癌) --[有症状]--> (咯血)；(奥希替尼) --[治疗]--> (EGFR突变非小细胞肺癌)。
横向测评：通用 vs 专用知识库
在医学领域，通用的知识图谱往往无法满足临床精度要求，因此产生了专业的医学本体和图谱。
| 知识库 | 维护者 | 特点 | 在AI中的作用 |
|---|---|---|---|
| UMLS | NLM (美国国立医学图书馆) | “超级字典”。 | 整合了 SNOMED, ICD, MeSH 等数百万个概念。是构建图谱时实体对齐的金标准。 |
| SNOMED CT | SNOMED International | “临床术语”。 逻辑性最强，支持推理。例如它定义了“病毒性肺炎”必须由“病毒”引起且发生在“肺部”。 | 电子病历（EMR）的底层编码，支持精准的临床信息检索。 |
| CMeKG | 国内学术界/产业界 | “中文图谱”。 针对中文医学语境构建，整合了中文药品说明书、指南和百科数据。 | 国内智慧医疗系统的核心。解决了中文医学术语歧义的问题。 |
| PharmGKB | NIH | “药物基因组”。 专注于基因-药物相互作用。 | 精准医疗 CDSS 的核心，用于提示药物不良反应风险。 |
前沿技术：GraphRAG (图谱增强检索)
Solving the Hallucination Problem (解决幻觉)
大语言模型（LLM）擅长“说话”，但容易“胡说”。GraphRAG 技术通过将 LLM 与知识图谱结合：
1. 检索： 当用户提问时，先在知识图谱中检索相关的精准事实（子图）。
2. 增强： 将这些事实作为“提示词”喂给 LLM。
3. 生成： LLM 基于事实生成回答。
这使得“智慧医生”既能像人一样流畅对话，又能像教科书一样准确无误。
Knowledge Fusion (知识融合)
构建过程中最大的挑战是多源异构数据的融合。例如，指南里叫“非小细胞肺癌”，病历里写“NSCLC”，百科里写“肺鳞癌”。图谱通过实体对齐（Entity Alignment）技术，将这些不同的表述映射到同一个节点 ID 上，确保 AI 理解它们是同一回事。
关键参考文献
[1] Rotmensch M, et al. (2017). Learning a health knowledge graph from electronic medical records. Scientific Reports.
[构建方法]：展示了如何利用统计方法从海量电子病历中自动构建“疾病-症状”概率图谱，被视为 Google Health KG 的雏形之一。
[2] Zhang Y, et al. (2020). CMeKG: A Chinese Medical Knowledge Graph. ACL.
[中文资源]：介绍了 CMeKG 的构建过程，是目前中文医疗 AI 领域引用率极高的基准数据集。