基于知識(shí)圖譜的醫(yī)療問(wèn)答系統(tǒng)設(shè)計(jì)研究現(xiàn)狀文獻(xiàn)綜述醫(yī)療問(wèn)答助手國(guó)內(nèi)外研究現(xiàn)狀在圖靈測(cè)試被提出之后，人工智能的發(fā)展程度就有了可以被衡量的標(biāo)準(zhǔn)。在過(guò)去的許多年里科學(xué)家們都在前赴后繼的對(duì)問(wèn)答系統(tǒng)進(jìn)行研究，各種各樣的問(wèn)答系統(tǒng)被國(guó)外的眾多學(xué)者陸續(xù)的研究了出來(lái)。最早的一批問(wèn)答系統(tǒng)主要包括ELIZA[4]、BASEBALL和LUNAR.其中ELIZA被許多人認(rèn)為是上世紀(jì)60年代被研發(fā)出來(lái)的第一個(gè)問(wèn)答系統(tǒng)。另外兩個(gè)也是和ELIZA在同一時(shí)期被研發(fā)出來(lái)的，他們的作用分別是回答美國(guó)棒球比賽的時(shí)間和地點(diǎn)問(wèn)題和阿波羅月球探測(cè)器在從月球回來(lái)之后他對(duì)取回來(lái)的月球巖石樣本進(jìn)行處理實(shí)驗(yàn)所得到的結(jié)論有關(guān)問(wèn)題的回答。這些比較早期的問(wèn)答系統(tǒng)主要集中在特定領(lǐng)域的專(zhuān)家系統(tǒng)，他們不能較為廣泛的應(yīng)用在別的領(lǐng)域，并且他們的實(shí)際作用也是觀賞性大于應(yīng)用性，更多的只是被用于功能演示。但是這種情況到了上世紀(jì)90年代得到了明顯的改善。麻省理工于1993年研發(fā)了第一個(gè)基于Web的問(wèn)答系統(tǒng)，名字叫做START[5]。它能夠?qū)σ恍┖?jiǎn)單的有關(guān)科技、地理、歷史的相關(guān)問(wèn)題做出一個(gè)比較準(zhǔn)確的回答。在文本信息檢索會(huì)議的會(huì)議主題中添加了問(wèn)答系統(tǒng)評(píng)測(cè)專(zhuān)項(xiàng)后新型QA的研發(fā)變得更加迅猛。在醫(yī)療問(wèn)答領(lǐng)域，近些年來(lái)國(guó)際的研究機(jī)構(gòu)也取得了不少令人矚目的研究成果。LeeM,CiminoJ等人設(shè)計(jì)的MedQA系統(tǒng)[6]，通過(guò)信息檢索技術(shù)為醫(yī)生回答定義類(lèi)的醫(yī)學(xué)領(lǐng)域問(wèn)題。CairnsBL,NielsenRD等人為醫(yī)療專(zhuān)業(yè)人員完成了一款可擴(kuò)展的問(wèn)答系統(tǒng)[7]。相對(duì)于英語(yǔ)而言，漢語(yǔ)更加復(fù)雜。相對(duì)于英文而言中文問(wèn)答系統(tǒng)有如下幾個(gè)難點(diǎn)：1.英文中英語(yǔ)單詞的詞和詞之間用空格分隔，但是中文沒(méi)有類(lèi)似英文的分隔符號(hào)，因此分詞是進(jìn)行中文nlp的第一步。2.漢語(yǔ)語(yǔ)法中的時(shí)態(tài)變化較少，如英文中的，過(guò)去時(shí)將來(lái)時(shí)等.3.漢語(yǔ)語(yǔ)法靈活，相同的詞構(gòu)成的句子句子的語(yǔ)義可能會(huì)不同，要聯(lián)系上下文進(jìn)行理解。這些原因?qū)е轮形牡膯?wèn)答系統(tǒng)研究難度和成本都較高，但是近些年來(lái)依然有許多國(guó)內(nèi)學(xué)者在中文問(wèn)答領(lǐng)域上有許多杰出的成果。姚智構(gòu)建了一個(gè)基于機(jī)器學(xué)習(xí)的醫(yī)療問(wèn)答系統(tǒng)[8]。在訓(xùn)練數(shù)據(jù)方面，他采用了經(jīng)過(guò)爬蟲(chóng)技術(shù)從不同醫(yī)療網(wǎng)站上獲取的問(wèn)答語(yǔ)句，在經(jīng)過(guò)數(shù)據(jù)處理后作為訓(xùn)練語(yǔ)料，在模型方面它通過(guò)深度長(zhǎng)短期記憶構(gòu)建了序列到序列模型，為了確?；卮鸬牧闶д`，他對(duì)模型的訓(xùn)練結(jié)果進(jìn)行了專(zhuān)家審核。胡澤,張展,左德承[9]為了解決目前國(guó)內(nèi)QA系統(tǒng)在醫(yī)療領(lǐng)域上的回答質(zhì)量無(wú)法保證的情況，通過(guò)提取非文本特征設(shè)計(jì)了一個(gè)基于特定領(lǐng)域知識(shí)視角的問(wèn)答系統(tǒng)，來(lái)提高問(wèn)答質(zhì)量。在當(dāng)下中國(guó)新冠疫情余毒未清的情況下提升醫(yī)療領(lǐng)域問(wèn)答系統(tǒng)的性能，有利于緩解國(guó)內(nèi)的醫(yī)療資源短缺的現(xiàn)狀。所以深入智能醫(yī)療問(wèn)答技術(shù)的研究具有重要意義。知識(shí)圖譜國(guó)內(nèi)外研究現(xiàn)狀谷歌公司最早提出了知識(shí)圖譜并將其運(yùn)用到谷歌搜索引擎當(dāng)中去。他這么做的主要目的是使用戶更加方便的得到新的知識(shí)和信息，使知識(shí)系統(tǒng)化。谷歌搜索工程師阿密特·辛格哈爾說(shuō)過(guò)“Theworldismadeupofentities,notstrings.Knowledgegraphcanunderstandentitiesintherealworldandtherelationshipbetweenentities”。這句話深刻地揭示了知識(shí)圖譜的本質(zhì)以及它的作用。由于國(guó)外起步較早，知識(shí)圖譜已經(jīng)發(fā)展了相當(dāng)長(zhǎng)的時(shí)間，由于人工智能領(lǐng)域的發(fā)展對(duì)知識(shí)圖譜研究的促進(jìn)和推動(dòng)，許多科學(xué)家已經(jīng)搭建了大規(guī)模的成熟的知識(shí)圖譜。一些比較優(yōu)秀的知識(shí)圖譜有DBpedia、Freebase、GoogleGraph和YAGO等等。這些知識(shí)圖譜都是面向開(kāi)放領(lǐng)域的知識(shí)圖譜，它們包含著大量的通用的知識(shí)，注重廣度，實(shí)體數(shù)十分龐大。還有一些面向垂直領(lǐng)域的知識(shí)圖譜比如MusicBrainz和IMDB,它是針對(duì)音樂(lè)數(shù)據(jù)和電影數(shù)據(jù)的知識(shí)圖譜。而在醫(yī)療領(lǐng)域國(guó)外同樣有許多知識(shí)圖譜比如：UMLS(theUnifiedMedicalLanguageSystem)、DiseaseOntology、Drug-Bank、GeneOntology、CYC、SNOMED-CT等等。國(guó)內(nèi)同樣有一些極具代表性的知識(shí)圖譜像復(fù)旦大學(xué)“CN-DBpedia”、百度的“知心”。目前國(guó)內(nèi)強(qiáng)大的搜索引擎公司百度，搜狗都用知識(shí)圖譜對(duì)自己的搜索進(jìn)行一些優(yōu)化和補(bǔ)充。國(guó)內(nèi)的醫(yī)療領(lǐng)域的知識(shí)圖譜相比于國(guó)外要發(fā)展的晚一些，但也有許多科研機(jī)構(gòu)對(duì)其進(jìn)行了構(gòu)建研究。比如中國(guó)中醫(yī)研究院帶頭構(gòu)建的CUMLS中國(guó)醫(yī)藥一體化語(yǔ)言系統(tǒng)，主干是中醫(yī)藥知識(shí)鏈接語(yǔ)義和概念，構(gòu)建出了中國(guó)自己的中醫(yī)知識(shí)圖譜。還有上海曙光醫(yī)院的的中醫(yī)藥知識(shí)圖譜和解放軍醫(yī)學(xué)圖書(shū)館的“中國(guó)疾病知識(shí)總庫(kù)”。總的來(lái)說(shuō)，在國(guó)內(nèi)基于臨床信息的文獻(xiàn)和知識(shí)圖譜更多，國(guó)外的知識(shí)圖譜整體的發(fā)展高于國(guó)內(nèi)，發(fā)展時(shí)間也長(zhǎng)。參考文獻(xiàn)王子毅,張春海.基于ECharts的數(shù)據(jù)可視化分析組件設(shè)計(jì)實(shí)現(xiàn)[J].微型機(jī)與應(yīng)用,2016,35(14):46-48.裴丹丹.基于ECharts的數(shù)據(jù)可視化實(shí)現(xiàn)[D].北京郵電大學(xué),2018.PohMZ,McDuffDJ,PicardRW.Non-contact,automatedcardiacpulsemeasurementsusingvideoimagingandblindsourceseparation[J].Opticsexpress,2010,18(10):10762-10774.SaltonG,WongA,YangCS.Avectorspacemodelforautomaticindexing[J].CommunicationsoftheACM,1975,18(11):613-620.MikolovT,ChenK,CorradoG,etal.Efficientestimationofwordrepresentationsinvectorspace[J].arXivpreprintarXiv:1301.3781,2013.ZhangY,WallaceB.Asensitivityanalysisof(andpractitioners'guideto)convolutionalneuralnetworksforsentenceclassification[J].arXivpreprintarXiv:1510.03820,2015.EybenF,W?llmerM,SchullerB.Opensmile:themunichversatileandfastopen-sourceaudiofeatureextractor[C]//Proceedingsofthe18thACMinternationalconferenceonMultimedia.2010:1459-1462.JiS,XuW,YangM,etal.3Dconvolutionalneuralnetworksforhumanactionrecognition[J].IEEEtransactionsonpatternanalysisandmachineintelligence,2012,35(1):221-231.王鵬強(qiáng).基于vue的MVVM框架的研究與分析[J].電腦知識(shí)與技術(shù),2019,11.OkanovicV.Webapplicationdevelopmentwithcomponentframeworks[C]//201437thInternationalConventiononInformationandCommunicationTechnology,ElectronicsandMicroelectronics(MIPRO).IEEE,2014:889-892.GrinbergM.Flaskwebdevelopment:developingwebapplicationswithpython[M]."O'ReillyMedia,Inc.",2018.牛作東,李捍東.基于Python與flask工具搭建可高效開(kāi)發(fā)的實(shí)用型MVC框架[J].計(jì)算機(jī)應(yīng)用與軟件,2019,7:21-25.Pérez-RosasV,AbouelenienM,MihalceaR,etal.Deceptiondetectionusingreal-lifetrialdata[C]//Proceedingsofthe2015ACMonInternationalConferenceonMultimodalInteraction.2015:59-66.KingDE.Dlib-ml:Amachinelearningtoolkit[J].TheJournalofMachineLearningResearch,2009,10:1755-1758.SchullerB,SteidlS,BatlinerA,etal.TheINTERSPEECH2013computa