专科知识图谱结合大语言模型的智能问诊随访系统_AI热点日报

专科知识图谱结合大语言模型的智能问诊随访系统

类型：热点整理2026-06-08

在人工智能与医疗健康深度融合的前沿领域，一个备受关注的热点方向是：如何使大语言模型真正掌握专科医学知识，而非仅仅机械地复述教科书中的通用内容。下面介绍的这套临床专科智能大模型对话系统，正是为解决这一痛点而设计——它将知识图谱的结构化严谨性与大语言模型的自然语言生成能力有机结合，以专科医护人员的专业口

在人工智能与医疗健康深度融合的前沿领域，一个备受关注的热点方向是：如何使大语言模型真正掌握专科医学知识，而非仅仅机械地复述教科书中的通用内容。下面介绍的这套临床专科智能大模型对话系统，正是为解决这一痛点而设计——它将知识图谱的结构化严谨性与大语言模型的自然语言生成能力有机结合，以专科医护人员的专业口吻，精准回答患者或医生提出的各类问题。本案例以心脏科为典型场景，完整展示了从数据采集到回答生成的完整实现路径与核心步骤。

项目简介

所谓的“临床专科对话系统”，本质上是将知识图谱与大语言模型（LLM）进行深度耦合。系统首先构建特定专科领域的知识图谱，随后由大模型基于检索到的结构化知识生成自然流畅的回答，整个过程模拟专科医生的临床思维逻辑与表达风格。用一句话概括：知识图谱保障了回答的准确性，大模型确保了语言的流畅性，两者互补，形成高效可靠的对话引擎。

以下实现基于心脏科专业资料，核心流程包括：数据采集→知识抽取→图谱构建→图谱存储与查询→问题解析→知识检索→回答生成。每一步均附有可执行的代码示例，方便开发者快速落地实践。

一、数据采集

心脏科示例

首先需要系统性地收集心脏科领域的权威专业资料，内容应涵盖以下核心维度：

心脏疾病类型（如冠心病、心肌炎、心律失常等）
典型症状（如胸痛、心悸、呼吸困难）
常用检查方法（如心电图、超声心动图）
主流治疗手段（如药物治疗、介入治疗、手术治疗）
核心药物（如β受体阻滞剂、钙通道阻滞剂）

数据格式

建议将这些资料整理为结构化文本，或存储为CSV、JSON等通用格式，便于后续程序高效读取与处理。

二、知识抽取

知识抽取的核心任务是从非结构化文本中自动识别出医学实体以及实体之间的语义关系。

心脏科示例

从心脏科相关文本中提取两类关键信息：

实体：包括疾病、症状、检查方法、治疗手段、药物等
关系：如疾病与症状之间的关联、疾病与检查方法的对应、疾病与治疗手段的匹配、药物与治疗疾病的关系

示例代码

import re

# 示例文本
text = "冠心病的主要症状包括胸痛和呼吸困难。常用的检查方法有心电图和冠状动脉造影。治疗手段包括药物治疗和手术治疗。常用药物有β受体阻滞剂。"

# 提取实体的正则表达式
disease_pattern = r"(冠心病|心肌炎|心律失常)"
symptom_pattern = r"(胸痛|心悸|呼吸困难)"
test_pattern = r"(心电图|超声心动图|冠状动脉造影)"
treatment_pattern = r"(药物治疗|介入治疗|手术治疗)"
drug_pattern = r"(β受体阻滞剂|钙通道阻滞剂)"

# 提取实体
diseases = re.findall(disease_pattern, text)
symptoms = re.findall(symptom_pattern, text)
tests = re.findall(test_pattern, text)
treatments = re.findall(treatment_pattern, text)
drugs = re.findall(drug_pattern, text)

# 输出结果
print("疾病：", diseases)
print("症状：", symptoms)
print("检查方法：", tests)
print("治疗手段：", treatments)
print("药物：", drugs)

输出：

疾病：['冠心病']
症状：['胸痛', '呼吸困难']
检查方法：['心电图', '冠状动脉造影']
治疗手段：['药物治疗', '手术治疗']
药物：['β受体阻滞剂']

关系抽取

接下来需要从句子中提取实体之间的语义关系，例如：

冠心病 有症状 胸痛
冠心病 检查方法 心电图
冠心病 治疗手段 药物治疗

这一步骤可借助依存句法分析或预训练的关系抽取模型来实现，常用的NLP工具库包括spaCy、HanLP等。

三、知识图谱构建

将抽取出的实体和关系组织为结构化的三元组（subject, predicate, object），进而构建知识图谱。

心脏科示例

基于提取的实体与关系，构建如下三元组：

("冠心病", "有症状", "胸痛")
("冠心病", "检查方法", "心电图")
("冠心病", "治疗手段", "药物治疗")
("药物治疗", "使用药物", "β受体阻滞剂")

示例代码

# 构建三元组
triples = [
    ("冠心病", "有症状", "胸痛"),
    ("冠心病", "有症状", "呼吸困难"),
    ("冠心病", "检查方法", "心电图"),
    ("冠心病", "检查方法", "冠状动脉造影"),
    ("冠心病", "治疗手段", "药物治疗"),
    ("冠心病", "治疗手段", "手术治疗"),
    ("药物治疗", "使用药物", "β受体阻滞剂")
]

四、知识图谱存储与查询

通常将知识图谱存储在图数据库中，例如Neo4j，并对外提供高效的查询接口。

心脏科示例

使用Neo4j存储上述三元组，并通过Cypher查询语言进行检索。

示例代码

from py2neo import Graph, Node, Relationship

# 连接到Neo4j数据库
graph = Graph("bolt://localhost:7687", auth=("neo4j", "password"))

# 清空数据库
graph.delete_all()

# 创建节点和关系
for subj, pred, obj in triples:
    subj_node = Node("Entity", name=subj)
    obj_node = Node("Entity", name=obj)
    graph.merge(subj_node, "Entity", "name")
    graph.merge(obj_node, "Entity", "name")
    rel = Relationship(subj_node, pred, obj_node)
    graph.merge(rel)

查询示例

# 查询冠心病的症状
query = """
MATCH (d:Entity)-[r:有症状]->(s:Entity)
WHERE d.name = '冠心病'
RETURN s.name AS symptom
"""

results = graph.run(query)
for record in results:
    print(record["symptom"])

输出：

胸痛
呼吸困难

五、问题解析

将用户的自然语言问题解析为可执行的查询语句，核心步骤是提取用户意图及相关实体。

心脏科示例

用户问题示例：“冠心病有哪些症状？”

需要解析出：

意图：查询症状
实体：“冠心病”

示例代码

# 用户问题
question = "冠心病有哪些症状？"

# 意图识别（简单关键词匹配）
if "症状" in question:
    intent = "查询症状"
else:
    intent = "未知"

# 实体识别
entities = re.findall(disease_pattern, question)

print("意图：", intent)
print("实体：", entities)

输出：

意图：查询症状
实体：['冠心病']

六、知识检索

根据解析出的意图和实体，从知识图谱中检索出对应的相关信息。

心脏科示例

利用上一步得到的意图和实体，构造Cypher查询语句，从图谱中获取答案。

示例代码

if intent == "查询症状" and entities:
    disease = entities[0]
    query = f"""
    MATCH (d:Entity)-[r:有症状]->(s:Entity)
    WHERE d.name = '{disease}'
    RETURN s.name AS symptom
    """
    results = graph.run(query)
    symptoms = [record["symptom"] for record in results]
    print(f"{disease}的症状有：{', '.join(symptoms)}。")

输出：

冠心病的症状有：胸痛, 呼吸困难。

七、回答生成

最后一步是利用大语言模型（如GPT系列）将检索到的结构化知识转化为自然语言回答，同时可定制回答口吻，使其更贴近专科医生的专业表述。

心脏科示例

将检索到的信息传递给大语言模型，例如GPT-4，生成专业且通俗易懂的回答。

示例代码

# 假设有一个函数generate_answer，用于调用大语言模型
def generate_answer(disease, symptoms):
    prompt = f"请详细介绍一下{disease}的症状，包括：{', '.join(symptoms)}。"
    # 调用大语言模型（伪代码）
    answer = call_language_model(prompt)
    return answer

# 使用检索到的症状生成回答
answer = generate_answer(disease, symptoms)
print(answer)

由于无法实际调用大语言模型，这里假设生成的回答如下：

冠心病的主要症状包括胸痛和呼吸困难。其中，胸痛常在劳累或情绪激动时出现，休息后可缓解；呼吸困难可能在活动时加重，需引起重视。

综合示例：实现RAG

通过以上步骤，我们就实现了一个结合知识图谱与大语言模型的RAG（检索增强生成）系统。当用户提出问题时，系统会依次执行：

问题解析：识别用户意图与关键实体。
知识检索：从知识图谱中精准获取关联信息。
回答生成：利用大语言模型将检索到的知识转化为自然、专业的语言回答。

这套方案的优势非常明显：

专业性：知识图谱保障了回答的准确性和权威性，有效避免了大型模型常见的“幻觉”问题。
流畅性：大语言模型使得语言自然、易懂，患者也能轻松理解专业内容。
可扩展性：知识图谱支持持续更新与扩充，能够随时融入最新的医学发现或药物信息。

从实际落地角度而言，这种方法特别适用于对可靠性要求极高、同时希望保持对话自然度的医疗场景，例如智能预问诊、术后随访、患者健康教育等。

来源：https://www.53ai.com/news/AIyiliao/2024102942659.html

ai 人工智能

延伸阅读

补充最近整理过的热点入口。