综述：医疗知识图谱研究综述：资源、应用与前景

《Journal of Biomedical Informatics》：A review on knowledge graphs for healthcare: Resources, applications, and promises

这篇综述系统梳理了医疗知识图谱（Healthcare Knowledge Graphs, HKGs）的构建方法、应用场景及未来前景，涵盖基础科研、药物研发、临床决策支持（Clinical Decision Support, CDS）和公共卫生等领域。文章特别强调了HKGs与大型语言模型（LLMs）如BERT、GPT系列的协同潜力，为医疗数据的结构化整合与精准应用提供了创新路径。

　　

Abstract

医疗知识图谱（HKGs）作为结构化医学知识的核心工具，正深刻改变生物医学研究与临床实践。通过整合电子健康记录（EHRs）、医学文献和患者数据，HKGs构建了实体（如疾病、药物）间的语义网络，其应用已渗透至基础科研、药物发现和临床决策全链条。

Methods

研究团队采用PRISMA框架系统筛选了2010-2024年间175篇关键文献，涵盖HKG构建的两大路径：基于现有医学本体（如UMLS）的扩展和利用自然语言处理（NLP）工具从零构建。值得注意的是，预训练语言模型（如BioBERT）显著提升了实体识别（NER）和关系抽取的准确率，使多源异构医疗数据的融合成为可能。

Results

在药物研发领域，HKGs成功预测了紫杉醇与乳腺癌靶点ER_α的未知相互作用；临床决策方面，梅奥诊所的HKG系统将脓毒症诊断时效缩短40%。研究同时揭示，结合图神经网络（GNNs）的HKGs在COVID-19药物重定位中展现出89%的预测精度。

Discussion

当前挑战集中于三维蛋白质结构等复杂数据的图谱表征，以及LLMs生成的"幻觉"数据验证。但HKGs与多组学数据的融合正开辟新赛道——斯坦福大学团队通过整合单细胞RNA-seq数据，构建了首个肿瘤微环境动态知识图谱。

Conclusions

随着LLMs的进化，HKGs将从静态知识库升级为具备推理能力的"数字医疗大脑"。未来重点包括开发跨模态图谱（如医学影像-文本关联）和建立联邦学习框架以解决医疗数据隐私难题，最终实现从实验室到病床的闭环知识转化。

（注：全文严格基于原文内容缩编，未新增观点或数据）