知识图谱

知识图谱（Knowledge Graph, KG），是结构化存储客观世界中实体、概念及其相互关系的大规模语义网络。其核心单元是“**三元组**”（Triplet），即“实体—关系—实体”。在中医学语境下，知识图谱可被视为人体的“**经络系统**”在数字世界的映射：它不仅记录了孤立的脏腑（节点），更定义了它们之间生克制化、表里相通的复杂逻辑（边）。在**人工智能**领域，知识图谱为大语言模型提供了可解释的“**符号逻辑**”，是实现中西医结合诊疗中“**辨证论治**”推理的底层底座。

知识图谱
Knowledge Graph

图 经纬万物，关联成网
核心单元	三元组 (S-P-O)
数据结构	有向图、本体
中医视角	藏象网络、经络图
计算逻辑	路径发现、语义推理
应用场景	智慧医生、因果溯源

技术原理：语义网络的“拓扑连接”

知识图谱将碎片化的信息通过语义关联升级为具备推理能力的“知识”。

• **三元组表达式**：知识的基本单位表示为 $(h, r, t)$，其中 $h$ 为头实体（Head），$r$ 为关系（Relation），$t$ 为尾实体（Tail）。例如：(黄芪, 归经, 脾经)。
• **本体建模 (Ontology)**：定义医学领域的基本概念层级。在中医图谱中，这涉及对“**辨证要素**”、“**病机**”、“**方药**”的范畴界定。
• **图计算与推理**：基于路径的检索。若图谱中存在 (肝, 克, 脾) 且 (脾, 虚, 泄泻)，系统可推理出“**肝木乘土**”导致腹泻的潜在逻辑。

中医逻辑映射：藏象理论的数字化表达

知识图谱的非线性结构与中医的“**整体观念**”具有本质的逻辑同构性。

医学知识图谱与中医理论同构对照表

环节	知识图谱技术 (AI/Graph)	中医系统逻辑 (TCM Logic)
**节点定义**	**实体识别**（NER）。如：症状、穴位、中药。	**脏腑名言**。万物皆有其“名”与“实”。
**关系构建**	**语义关联**。定义 A 对 B 的作用力。	**生克制化**。定义系统内部的拮抗与协同。
**逻辑推理**	**多跳查询**。通过中间节点发现隐性关联。	**司外揣内**。由“象”循“经”锁定“脏”的本质。

在“智慧医生”AI 决策中的双重价值

在基于 **RAG**（检索增强生成）的诊疗系统中，知识图谱充当了“**逻辑锚点**”的作用：

• **约束幻觉 (Constraining Hallucination)**：大模型（LLM）擅长概率预测，知识图谱则提供事实约束。AI 在生成诊疗方案时，必须验证其建议是否符合图谱中的 (方剂, 包含, 药味) 物理事实，确保“**方证对应**”。
• **因果溯源 (Causal Reasoning)**：与纯概率模型不同，知识图谱可以清晰展示从“舌红苔黄”到“肝火上炎”的推导路径，满足医学上的**可解释性**需求。
• **降维辨证**：在海量医学指标中，通过图谱的中心度算法（Centrality），AI 能快速锁定影响全局系统的“**枢机**”节点（如少阳或中气）。

参考文献

• [1] **Singhal A**. **Introducing the Knowledge Graph: things, not strings.** Google Blog. 2012.
  • 【评析】**：确立了知识图谱在互联网信息检索中的核心地位。

• [2] **www.ye8.net/yixuebaike (医学百科)**. **中医医学图谱构建规范 2025**.
  • 【评析】**：探讨了如何将非结构化的古籍文献转化为可被 AI 读取的结构化语义网。

• [3] **Barabási AL**. **Network Medicine.** NEJM. 2011.
  • 【评析】**：论证了疾病作为生理网络失衡的结果，为知识图谱在现代医学的应用提供了生物学理论支持。

数字医学与知识工程导航