AI知识库

53AI知识库

学习大模型的前沿技术与行业应用场景


用AI大模型将CSV文件转为图谱,发现数据间关系,以健康医疗场景为例
发布日期:2024-07-03 09:20:03 浏览次数: 2356 来源:活水智能



最近,我发现了一个 neo4j-runway 项目。Neo4j Runway 是一个 Python 库,简化了将关系数据迁移到图数据库的过程。

它提供了与 OpenAI 交互的工具,用于数据发现和生成数据模型,还提供了生成代码和将数据加载到 Neo4j 实例中的工具。

换句话说,通过上传 CSV 文件,大模型将识别节点之间关系,并自动生成知识图谱。

在健康医疗领域,知识图谱是一种强大的工具,用于组织和分析复杂的医疗数据。

这些图谱以一种更易于理解的方式结构化信息,使得不同实体之间的关系更加清晰,例如疾病、治疗、患者和医疗提供者。

知识图谱在健康医疗行业有以下一些有用的应用:

整合多样化的数据源。知识图谱可以整合来自各种来源的数据,如电子健康记录(EHRs)、医学研究论文、临床试验结果、基因组数据和患者历史记录。

改进临床决策。通过链接症状、诊断、治疗和结果,知识图谱可以增强临床决策支持系统(CDSS),因为它们考虑了大量相互关联的医学知识,可能提高诊断准确性和治疗效果。在本文中,我将探讨这一主题。

个性化医疗。通过将患者特定数据与更广泛的医学知识相关联,促进制定个性化治疗计划。这包括理解基因信息、疾病机制和治疗反应之间的关系,从而提供更量身定制的医疗。

加速新药研发。在制药研究中,知识图谱可以通过识别潜在药物靶点和理解疾病涉及的生物路径,加速新药研发。

公共卫生与流行病学。有助于追踪疾病爆发、理解流行病学趋势和规划干预措施。因为它们可以整合来自各种公共卫生数据库、社交媒体和其他来源的数据,提供关于公共卫生威胁的实时洞察。

1

Neo4j Runway 是由 Alex Gilmore 创建的开源库。你可以在这里找到代码库。

代码库:https://github.com/a-s-g93/neo4j-runway

目前,该库仅支持使用 OpenAI 的大模型解析 CSV,并提供以下功能:

  • • 提取数据:利用大模型从数据中提取有意义的见解。

  • • 图数据建模:使用 OpenAI 和 Instructor Python 库开发准确的图数据模型。

  • • 数据摄取:利用 Runway 内置的 PyIngest ,将数据加载到 Neo4j 中。

  • • 无需编写 Cypher 语句, 因为大模型会完成所有工作。

本文除了演示用大模型把CSV文件转为知识图谱外。我还使用了 Langchain 的 GraphCypherQAChain,用提示词生成 Cypher,无需编写一行 Cypher(用于查询 Neo4j 图数据库的 SQL 类语言)即可查询图谱。

该库给了一个金融行业的示例,本文我将测试在健康医疗场景中的效果。

从 Kaggle 上一个非常简单的数据集开始(疾病症状和患者档案数据集)。

该数据集只有 10 列(疾病、发烧、咳嗽、疲劳、呼吸困难、年龄、性别、血压、胆固醇水平和结果变量),我希望能够向大模型提供医疗报告,以获得诊断假设。

数据集:https://www.kaggle.com/datasets/uom190346a/disease-symptoms-and-patient-profile-dataset

2

让我们直接进入代码部分。

加载所需的库和环境变量

首先,加载所需的库:

    sudo apt install python3-pydot graphviz
      pip install neo4j-runway
        import numpy as npimport pandas as pdfrom neo4j_runway import Discovery, GraphDataModeler, IngestionGenerator, LLM, PyIngestfrom IPython.display import display, Markdown, Image

        加载环境变量:在 Neo4j Aura 中创建实例并进行身份验证。

          load_dotenv()OPENAI_API_KEY = os.getenv('sk-openaiapikeyhere')NEO4J_URL = os.getenv('neo4j+s://your.databases.neo4j.io')NEO4J_PASSWORD = os.getenv('yourneo4jpassword')

          加载医疗数据并整理格式

          从 Kaggle 网站下载 CSV 文件,并将其加载到 Jupyter notebook 中。这个数据集非常简单,但对于测试概念非常有用。

            disease_df = pd.read_csv('/home/user/Disease_symptom.csv')disease_df

            例如,我们可以创建一个列表,列出所有导致呼吸困难的疾病,这不仅对选择图中的节点很有趣,也有助于开发诊断假设:

              disease_df[disease_df['Difficulty Breathing']=='Yes']

              所有变量必须是字符串(库是这样设计的),即使是整数。

              然后,我们保存 CSV 文件:

                disease_df.columns = disease_df.columns.str.strip()for i in disease_df.columns:disease_df[i] = disease_df[i].astype(str)disease_df.to_csv('/home/user/disease_prepared.csv', index=False)

                现在,我们将为大模型描述数据,包括每个字段的可能值:

                  DATA_DESCRIPTION = {'Disease': 'The name of the disease or medical condition.','Fever': 'Indicates whether the patient has a fever (Yes/No).','Cough': 'Indicates whether the patient has a cough (Yes/No).','Fatigue': 'Indicates whether the patient experiences fatigue (Yes/No).','Difficulty Breathing': 'Indicates whether the patient has difficulty breathing (Yes/No).','Age': 'The age of the patient in years.','Gender': 'The gender of the patient (Male/Female).','Blood Pressure': 'The blood pressure level of the patient (Normal/High).','Cholesterol Level': 'The cholesterol level of the patient (Normal/High).','Outcome Variable': 'The outcome variable indicating the result of the diagnosis or assessment for the specific disease (Positive/Negative).'}

                  用大模型识别重要数据

                  下一步是让大模型分析表格数据,识别对生成图数据模型重要的数据元素。

                    disc = Discovery(llm=llm, user_input=DATA_DESCRIPTION, data=disease_df)disc.run()

                    这将生成数据分析的 Markdown 输出:

                    创建初始模型

                    现在,让我们创建初始模型:

                      # instantiate graph data modeler gdm = GraphDataModeler(llm=llm, discovery=disc)
                      # generate model gdm.create_initial_model()
                      # visualize the data modelgdm.current_model.visualize()

                      这里,我的重点是疾病,所以我们将重新排列一些关系。

                      gdm.iterate_model(user_corrections='''
                      Let's think step by step. Please make the following updates to the data model:
                      1. Remove the relationships between Patient and Disease, between Patient and Symptom and between Patient and Outcome.
                      2. Change the Patient node into Demographics.
                      3. Create a relationship HAS_DEMOGRAPHICS from Disease to Demographics.
                      4. Create a relationship HAS_SYMPTOM from Disease to Symptom. If the Symptom value is No, remove this relationship.
                      5. Create a relationship HAS_LAB from Disease to HealthIndicator.
                      6. Create a relationship HAS_OUTCOME from Disease to Outcome.
                      '''
                      )

                      from IPython.display import Image, display
                      gdm.current_model.visualize().render('output', format='png')
                      # Load and display the image with a specific width
                      img = Image('output.png', width=1200)  # Adjust the width as needed
                      display(img

                      用Neo4j生成图谱

                      现在我们可以生成 Cypher 代码和 YAML 文件,将数据加载到 Neo4j 中。

                      如果你只是测试或第二次执行此操作,可能需要将实例重置为空白状态(清除所有内容)。

                      # instantiate ingestion generator
                      gen = IngestionGenerator(data_model=gdm.current_model,
                                              username="neo4j",
                                              password='yourneo4jpasswordhere',
                                              uri='neo4j+s://123654888.databases.neo4j.io',
                                              database="neo4j",
                                              csv_dir="/home/user/",
                                              csv_name="disease_prepared.csv")

                      # create ingestion YAML
                      pyingest_yaml = gen.generate_pyingest_yaml_string()

                      # save local copy of YAML
                      gen.generate_pyingest_yaml_file(file_name="disease_prepared")

                      一切准备就绪。让我们将数据加载到实例中:

                        PyIngest(yaml_string=pyingest_yaml, dataframe=disease_df)

                        进入 Neo4j Aura 实例,打开,输入你的密码,并通过 Cypher 运行此查询:

                          MATCH (n)WHERE n:Demographics OR n:Disease OR n:Symptom OR n:Outcome OR n:HealthIndicatorOPTIONAL MATCH (n)-[r]->(m)RETURN n, r, m

                          按下 CTRL + ENTER,你将看到以下结果:

                          检查节点和关系后,我们发现症状、健康指标和人口统计数据之间有大量的相互连接:

                          让我们看看糖尿病。由于没有应用过滤器,男性和女性都会出现,以及所有的实验室、人口统计和结果的可能性。

                            MATCH (n:Disease {name: 'Diabetes'})WHERE n:Demographics OR n:Disease OR n:Symptom OR n:Outcome OR n:HealthIndicatorOPTIONAL MATCH (n)-[r]->(m)RETURN n, r, m

                            或者查看所有在临床检查中表现出高血压的疾病:

                              // Match the Disease nodesMATCH (d:Disease)// Match HAS_LAB relationships from Disease nodes to Lab nodesMATCH (d)-[r:HAS_LAB]->(l)MATCH (d)-[r2:HAS_OUTCOME]->(o)// Ensure the Lab nodes have the bloodPressure property set to 'High'WHERE l.bloodPressure = 'High' AND o.result='Positive'RETURN d, properties(d) AS disease_properties, r, properties(r) AS relationship_properties, l, properties(l) AS lab_properties

                              3

                              接下来我们向大模型(在本例中是 Google 的 Gemini-1.5-Flash)提交一份医疗报告,让它通过 Langchain(GraphCypherQAChain)自动生成 Cypher 查询,基于症状、健康指标等,返回患者可能患有的疾病。

                              让我们开始吧:

                              import warnings
                              import json
                              from langchain_community.graphsimportNeo4jGraph

                              with warnings.catch_warnings():
                                 warnings.simplefilter('ignore')

                              NEO4J_USERNAME = "neo4j"
                              NEO4J_DATABASE = 'neo4j'
                              NEO4J_URI = 'neo4j+s://1236547.databases.neo4j.io'
                              NEO4J_PASSWORD = 'yourneo4jdatabasepasswordhere'

                              从实例中获取知识图谱和模式:这里有节点属性和关系属性。

                                kg = Neo4jGraph(url=NEO4J_URI, username=NEO4J_USERNAME, password=NEO4J_PASSWORD, database=NEO4J_DATABASE)
                                kg.refresh_schema()print(textwrap.fill(kg.schema, 60))schema=kg.schema

                                初始化 Vertex AI Gemini-1.5-Flash:

                                  from langchain.prompts.prompt import PromptTemplatefrom langchain.chains import GraphCypherQAChainfrom langchain.llms import VertexAI
                                  # Initialize Vertex AIvertexai.init(project="your-project", location="us-west4")
                                  llm = VertexAI(model="gemini-1.5-flash")

                                  现在是最难的部分。为 Gemini-1.5-Flash 创建详细的指令,让它自动生成 Cypher 查询图数据库并获取我们需要的结果。

                                  我们需要一个主提示词!一步步思考+少样本提示。

                                  prompt_template = """
                                  Let's think step by step:

                                  Step1: Task:
                                  Generate an effective and concise Cypher statement with less than 256 characteres to query a graph database
                                  Do not comment the code.

                                  Step 2: Get to know the database schema: {schema}

                                  Step 3: Instructions:
                                  - In the cypher query, ONLY USE the provided relationship types and properties that appear in the schema AND in the user question.
                                  - In the cypher query, do not use any other relationship types or properties in the user's question that are not contained in the provided schema.
                                  - Regarding Age, NEVER work with the age itself. For example: 24 years old, use interval: more than 20 years old.
                                  - USE ONLY ONE statement for Age, always use 'greater than', never 'less than' or 'equal'.
                                  - DO NOT USE property keys that are not in the database.

                                  Step 4: Examples:
                                  Here are a few examples of generated Cypher statements for particular questions:

                                  4.1 Which diseases present high blood pressure?
                                  MATCH (d:Disease)
                                  MATCH (d)-[r:HAS_LAB]->(l)
                                  WHERE l.bloodPressure = 'High'
                                  RETURN d.name

                                  4.2 Which diseases present indicators as high blood pressure?
                                  // Match the Disease nodes
                                  MATCH (d:Disease)
                                  // Match HAS_LAB relationships from Disease nodes to Lab nodes
                                  MATCH (d)-[r:HAS_LAB]->(l)
                                  MATCH (d)-[r2:HAS_OUTCOME]->(o)
                                  // Ensure the Lab nodes have the bloodPressure property set to 'High'
                                  WHERE l.bloodPressure = 'High' AND o.result='Positive'
                                  RETURN d, properties(d) AS disease_properties, r, properties(r) AS relationship_properties, l, properties(l) AS lab_properties

                                  4.3 What is the name of a disease of the elderly where the patient presents high blood pressure, high cholesterol, fever, fatigue
                                  MATCH (d:Disease)
                                  MATCH (d)-[r1:HAS_LAB]->(lab)
                                  MATCH (d)-[r2:HAS_SYMPTOM]->(symptom)
                                  MATCH (symptom)-[r3:HAS_DEMOGRAPHICS]->(demo)
                                  WHERE lab.bloodPressure = 'High' AND lab.cholesterolLevel = 'High' AND symptom.fever = 'Yes' AND symptom.fatigue = 'Yes' AND TOINTEGER(demo.age) >40
                                  RETURN d.name

                                  4.4 What disease gives you fever, fatigue, no cough, no short breathe in people with high cholesterol?
                                  MATCH (d:Disease)-[r:HAS_SYMPTOM]->(s:Symptom)
                                  WHERE s.fever = 'Yes' AND s.fatigue = 'Yes' AND s.difficultyBreathing = 'No' AND s.cough = 'No'
                                  MATCH (d:Disease)-[r1:HAS_LAB]->(lab:HealthIndicator)
                                  MATCH (d)-[r2:HAS_OUTCOME]->(o:Outcome)
                                  WHERE lab.cholesterolLevel='High' AND o.result='Positive'
                                  RETURN d, properties(d) AS disease_properties, r, properties(r) AS relationship_properties


                                  Step 5. These are the values allowed for each entity:
                                  - Fever: Indicates whether the patient has a fever (Yes/No).
                                  - Cough: Indicates whether the patient has a cough (Yes/No).
                                  - Fatigue: Indicates whether the patient experiences fatigue (Yes/No).
                                  - Difficulty Breathing': 'Indicates whether the patient has difficulty breathing (Yes/No).
                                  - Age: The age of the patient in years.
                                  - Gender: The gender of the patient (Male/Female).
                                  - Blood Pressure: The blood pressure level of the patient (Normal/High).
                                  - Cholesterol Level: The cholesterol level of the patient (Normal/High).
                                  - Outcome Variable: The outcome variable indicating the result of the diagnosis or assessment for the specific disease (Positive/Negative).

                                  Step 6. Answer the question {question}."""

                                  编者注:上面的提示词中文版如下:

                                  prompt_template = """

                                  让我们一步一步来:


                                  步骤1:任务:

                                  生成一个有效且简洁的 Cypher 语句,字符数不超过 256 个,用于查询图数据库。

                                  不要对代码进行注释。


                                  步骤2:了解数据库模式:{schema}


                                  步骤3:指令:

                                  - 在 Cypher 查询中,仅使用模式和用户问题中提供的关系类型和属性。

                                  - 在 Cypher 查询中,不要使用用户问题中未包含在提供的模式中的其他关系类型或属性。

                                  - 关于年龄,绝不要直接使用具体年龄。例如:24 岁,使用区间:大于 20 岁。

                                  - 对于年龄,只使用一个语句,总是使用“大于”,从不使用“小于”或“等于”。

                                  - 不要使用数据库中不存在的属性键。


                                  步骤4:示例:

                                  以下是针对特定问题生成的 Cypher 语句示例:


                                  4.1 哪些疾病表现出高血压?

                                  MATCH (d:Disease)

                                  MATCH (d)-[r:HAS_LAB]->(l)

                                  WHERE l.bloodPressure = 'High'

                                  RETURN d.name


                                  4.2 哪些疾病表现出高血压等指标?

                                  // 匹配疾病节点

                                  MATCH (d:Disease)

                                  // 匹配从疾病节点到实验室节点的 HAS_LAB 关系

                                  MATCH (d)-[r:HAS_LAB]->(l)

                                  MATCH (d)-[r2:HAS_OUTCOME]->(o)

                                  // 确保实验室节点的 bloodPressure 属性设置为 'High'

                                  WHERE l.bloodPressure = 'High' AND o.result='Positive'

                                  RETURN d, properties(d) AS disease_properties, r, properties(r) AS relationship_properties, l, properties(l) AS lab_properties


                                  4.3 老年人患有高血压、高胆固醇、发烧、疲劳的疾病名称是什么?

                                  MATCH (d:Disease)

                                  MATCH (d)-[r1:HAS_LAB]->(lab)

                                  MATCH (d)-[r2:HAS_SYMPTOM]->(symptom)

                                  MATCH (symptom)-[r3:HAS_DEMOGRAPHICS]->(demo)

                                  WHERE lab.bloodPressure = 'High' AND lab.cholesterolLevel = 'High' AND symptom.fever = 'Yes' AND symptom.fatigue = 'Yes' AND TOINTEGER(demo.age) >40

                                  RETURN d.name


                                  4.4 哪种疾病在高胆固醇人群中表现为发烧、疲劳、无咳嗽、无呼吸困难?

                                  MATCH (d:Disease)-[r:HAS_SYMPTOM]->(s:Symptom)

                                  WHERE s.fever = 'Yes' AND s.fatigue = 'Yes' AND s.difficultyBreathing = 'No' AND s.cough = 'No'

                                  MATCH (d:Disease)-[r1:HAS_LAB]->(lab:HealthIndicator)

                                  MATCH (d)-[r2:HAS_OUTCOME]->(o:Outcome)

                                  WHERE lab.cholesterolLevel='High' AND o.result='Positive'

                                  RETURN d, properties(d) AS disease_properties, r, properties(r) AS relationship_properties


                                  步骤5:每个实体允许的值如下:

                                  - 发烧:表示患者是否发烧(是/否)。

                                  - 咳嗽:表示患者是否咳嗽(是/否)。

                                  - 疲劳:表示患者是否感到疲劳(是/否)。

                                  - 呼吸困难:表示患者是否呼吸困难(是/否)。

                                  - 年龄:患者的年龄(以年为单位)。

                                  - 性别:患者的性别(男/女)。

                                  - 血压:患者的血压水平(正常/高)。

                                  - 胆固醇水平:患者的胆固醇水平(正常/高)。

                                  - 结果变量:表示特定疾病诊断或评估结果的变量(阳性/阴性)。


                                  步骤6:回答问题 {question}。

                                  """

                                  我们设置 GraphCypherQAChain

                                  cypher_prompt = PromptTemplate(
                                     input_variables=["schema","question"],
                                     template=prompt_template
                                  )

                                  cypherChain = GraphCypherQAChain.from_llm(
                                     VertexAI(temperature=0.1),
                                     graph=kg,
                                     verbose=True,
                                     cypher_prompt=cypher_prompt,
                                     top_k=10# this can be adjusted also
                                  )

                                  并提交医疗报告:

                                  cypherChain.run("""
                                  Patient Information:
                                  Jane Doe, a 58-year-old female, was admitted on June 15, 2024.

                                  Chief Complaint and History of Present Illness:
                                  Jane reported a high fever up to 104°F, body pain, and a rash,
                                  starting five days prior to admission.

                                  Past Medical History:
                                  Jane has no significant past medical history and no known allergies.

                                  Physical Examination:
                                  Jane's temperature was 102.8°F, heart rate 110 bpm, blood pressure 100/70 mmHg, and respiratory rate 20 breaths
                                  per minute. No petechiae or purpura were noted.

                                  What disease may she have?"""
                                  )

                                  输出结果:这里 Gemini-1.5-Flash 生成 Cypher 查询图数据库,通过 JSON 返回结果给 LLM,LLM 解释并返回可读的响应:

                                  这个结果不考虑 Gemini-1.5-Flash 的知识库,只考虑它查询的知识图谱。想象一下,如果我们有一个包含 300 个特征的漂亮数据集!

                                  注意,我们可以在 GraphCypherQAChain 中将 top\k 设置为 1 或其他值:

                                  如果我们运行最后一个查询,我们将得到包含这些症状的 77 种疾病列表,但 top\k 设置为 1:




                                  需要注意的是,当前 neo4j-runway 项目还不成熟,具有以下限制:

                                  • • 仅支持单个 CSV 输入用于数据模型生成

                                  • • 节点只能有一个标签

                                  • • 仅支持唯一性和节点/关系键约束

                                  • • 关系不能有唯一性约束

                                  • • CSV 列引用相同节点属性在模型生成中不受支持

                                  • • 目前仅支持 OpenAI 模型

                                  • • Runway 包含的修改版 PyIngest 函数仅支持加载本地 Pandas DataFrame 或 CSV。



                                  53AI,企业落地应用大模型首选服务商

                                  产品:大模型应用平台+智能体定制开发+落地咨询服务

                                  承诺:先做场景POC验证,看到效果再签署服务协议。零风险落地应用大模型,已交付160+中大型企业

                                  联系我们

                                  售前咨询
                                  186 6662 7370
                                  预约演示
                                  185 8882 0121

                                  微信扫码

                                  与创始人交个朋友

                                  回到顶部

                                   
                                  扫码咨询