本文将会讨论三个部分的内容

1.医疗知识图谱和通用知识图谱的差别

2.医疗知识图谱的两个特征

3.医疗知识图谱的几个具体的应用场景

对知识图谱的预测

hype cycle 2018预言了知识图谱的上升。与此同时，许多企业也开始推出自己的知识图谱服务。从通用的图谱到金融领域反欺诈，各类的图谱如同雨后春笋般地推出。

（2018 关注知识图谱的上升）

但是，的预测，主要面向的是通用知识图谱，而并非是某个领域知识图谱的发展。尤其并不适用于医疗领域知识图谱。

通用知识图谱 vs医疗领域知识图谱

医疗领域的知识图谱( Graph, 下称BMKG)和通用领域知识图谱（ Graph，GKB）之间的区别是非常大的。

通用领域知识图谱的主要任务是发现大量不同类型的实体和关系，为各类通用服务提供知识的支持。因为可获取的数据量大，因此各类深度学习方法，可以得以广泛应用。因此可以认为是一类率先成熟的知识图谱。

而生物医疗领域的知识图谱，则是生命领域中，探索相对有限的类型的实体，及其之间的超级复杂的多样化关系。BMKG的每个实体和关系，都是由实验室实验和临床试验的结果中抽取提炼而来。

(基于循证的知识图谱)

相比起通用知识图谱，医疗领域知识图谱更加关注精确率。而这意味着，很多算法识别出来的实体和关系，离实用还有一定的距离。

举例来说，和N2C2是医疗领域两个著名的NLP竞赛，前者侧重于生物领域，后者关注临床领域。从竞赛历史上提交的最佳任务结果来看，基本没有实体和关系识别的F值达到90%以上的case。但是，在临床和医药领域，很多时候对精度的要求超过了99%。

在这里，我们得到了医疗知识图谱的一个额外特征：以循证为基础，对精度有要求。

国内外知识图谱的差异

北大的医疗知识图谱，是国内比较早公布出来的知识图谱。

(:8002)

最近，OMAHA组织出品的HITA中，也包含了一个以“药物-适应症”为主的知识图谱。它对外提供服务，可惜对普通用户并不免费开放。

（）

其他的医疗知识图谱，虽然在网络上能找到，却鲜有公布出来可以使用的。

知识图谱并非是一个全新的概念，从更学术的角度来说，它的本质是 Web/ （语义网络）。

NCBI（美国国家生物信息中心）是一个为整个生物医疗领域提供基础数据的机构。它出品的UMLS、MESH和OBA就是语义网络产品。比如，UMLS包含了种135种实体，54种关系，是一个不折不扣的医疗知识图谱。

在《》中，其中有大量的资源是由NCBI或者其下属机构提供的。

（UMLS的部分语义网络关系图）