精品乱码一区二区三四区视频-japan白嫩丰满少妇videos-人妻无码一区二区不卡无码av-狂野欧美性猛交xxxx-欧美 亚洲 中文 国产综合-国产精品美女久久久m-国产欧美熟妇另类久久久-无码一区二区三区亚洲人妻-男人操女人逼,日韩性xx,成全视频观看免费高清第6季,欧美一区三区

本文將會討論三個部分的內容

1.醫療知識圖譜和通用知識圖譜的差別

2.醫療知識圖譜的兩個特征

3.醫療知識圖譜的幾個具體的應用場景

對知識圖譜的預測

hype cycle 2018預言了知識圖譜的上升。與此同時，許多企業也開始推出自己的知識圖譜服務。從通用的圖譜到金融領域反欺詐，各類的圖譜如同雨后春筍般地推出。

（2018 關注知識圖譜的上升）

但是，的預測，主要面向的是通用知識圖譜，而并非是某個領域知識圖譜的發展。尤其并不適用于醫療領域知識圖譜。

通用知識圖譜 vs醫療領域知識圖譜

醫療領域的知識圖譜( Graph, 下稱BMKG)和通用領域知識圖譜（ Graph，GKB）之間的區別是非常大的。

通用領域知識圖譜的主要任務是發現大量不同類型的實體和關系，為各類通用服務提供知識的支持。因為可獲取的數據量大，因此各類深度學習方法，可以得以廣泛應用。因此可以認為是一類率先成熟的知識圖譜。

而生物醫療領域的知識圖譜，則是生命領域中，探索相對有限的類型的實體，及其之間的超級復雜的多樣化關系。BMKG的每個實體和關系，都是由實驗室實驗和臨床試驗的結果中抽取提煉而來。

(基于循證的知識圖譜)

相比起通用知識圖譜，醫療領域知識圖譜更加關注精確率。而這意味著，很多算法識別出來的實體和關系，離實用還有一定的距離。

舉例來說，和N2C2是醫療領域兩個著名的NLP競賽，前者側重于生物領域，后者關注臨床領域。從競賽歷史上提交的最佳任務結果來看，基本沒有實體和關系識別的F值達到90%以上的case。但是，在臨床和醫藥領域，很多時候對精度的要求超過了99%。

在這里，我們得到了醫療知識圖譜的一個額外特征：以循證為基礎，對精度有要求。

國內外知識圖譜的差異

北大的醫療知識圖譜，是國內比較早公布出來的知識圖譜。

(:8002)

最近，OMAHA組織出品的HITA中，也包含了一個以“藥物-適應癥”為主的知識圖譜。它對外提供服務，可惜對普通用戶并不免費開放。

（）

其他的醫療知識圖譜，雖然在網絡上能找到，卻鮮有公布出來可以使用的。

知識圖譜并非是一個全新的概念，從更學術的角度來說，它的本質是 Web/ （語義網絡）。

NCBI（美國國家生物信息中心）是一個為整個生物醫療領域提供基礎數據的機構。它出品的UMLS、MESH和OBA就是語義網絡產品。比如，UMLS包含了種135種實體，54種關系，是一個不折不扣的醫療知識圖譜。

在《》中，其中有大量的資源是由NCBI或者其下屬機構提供的。

（UMLS的部分語義網絡關系圖）