久久精品视,精品少妇一区二区三区视频,亚洲码和欧洲码168区,国产乱妇乱子视频在播放

本文將會討論三個部分的內(nèi)容

1.醫(yī)療知識圖譜和通用知識圖譜的差別

2.醫(yī)療知識圖譜的兩個特征

3.醫(yī)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(yè)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(guān)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(fā)展。尤其并不適用于醫(yī)療領域知識圖譜。

通用知識圖譜 vs醫(yī)療領域知識圖譜

醫(yī)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(qū)別是非常大的。

通用領域知識圖譜的主要任務是發(fā)現(xiàn)大量不同類型的實體和關(guān)系，為各類通用服務提供知識的支持。因為可獲取的數(shù)據(jù)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(yī)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(guān)系。BMKG的每個實體和關(guān)系，都是由實驗室實驗和臨床試驗的結(jié)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(yī)療領域知識圖譜更加關(guān)注精確率。而這意味著，很多算法識別出來的實體和關(guān)系，離實用還有一定的距離。

舉例來說，和N2C2是醫(yī)療領域兩個著名的NLP競賽，前者側(cè)重于生物領域，后者關(guān)注臨床領域。從競賽歷史上提交的最佳任務結(jié)果來看，基本沒有實體和關(guān)系識別的F值達到90%以上的case。但是，在臨床和醫(yī)藥領域，很多時候?qū)鹊囊蟪^了99%。

在這里，我們得到了醫(yī)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(nèi)外知識圖譜的差異

北大的醫(yī)療知識圖譜，是國內(nèi)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(yī)療知識圖譜，雖然在網(wǎng)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(shù)的角度來說，它的本質(zhì)是 Web/ （語義網(wǎng)絡）。

NCBI（美國國家生物信息中心）是一個為整個生物醫(yī)療領域提供基礎數(shù)據(jù)的機構(gòu)。它出品的UMLS、MESH和OBA就是語義網(wǎng)絡產(chǎn)品。比如，UMLS包含了種135種實體，54種關(guān)系，是一個不折不扣的醫(yī)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(gòu)提供的。

（UMLS的部分語義網(wǎng)絡關(guān)系圖）