微信扫码
与创始人交个朋友
我要投稿
项目简介
"临床专科对话系统"是一个结合了知识图谱和大语言模型的智能对话系统。该系统旨在通过构建临床专科相关的知识图谱,并利用大语言模型的生成能力,以专科医护的口吻回答用户的问题。
在这个示例中,我们将以心脏科的专科资料为基础,模拟如何通过该代码建立知识图谱,并实现基于知识检索的生成式问答(RAG,Retrieval-Augmented Generation)。
心脏科示例
我们需要收集心脏科相关的专业资料,包括:
心脏疾病的种类(如冠心病、心肌炎、心律失常等)
症状(如胸痛、心悸、呼吸困难)
检查方法(如心电图、超声心动图)
治疗手段(如药物治疗、介入治疗、手术治疗)
药物(如β受体阻滞剂、钙通道阻滞剂)
数据格式
我们可以将这些资料整理为结构化的文本,或者存储为CSV、JSON等格式,便于后续处理。
知识抽取部分主要是从文本中提取实体和关系。
心脏科示例
我们需要从心脏科的文本资料中提取:
实体:疾病、症状、检查方法、治疗手段、药物等
关系:疾病-症状、疾病-检查方法、疾病-治疗手段、药物-治疗疾病
示例代码
import re
# 示例文本
text = "冠心病的主要症状包括胸痛和呼吸困难。常用的检查方法有心电图和冠状动脉造影。治疗手段包括药物治疗和手术治疗。常用药物有β受体阻滞剂。"
# 提取实体的正则表达式
disease_pattern = r"(冠心病|心肌炎|心律失常)"
symptom_pattern = r"(胸痛|心悸|呼吸困难)"
test_pattern = r"(心电图|超声心动图|冠状动脉造影)"
treatment_pattern = r"(药物治疗|介入治疗|手术治疗)"
drug_pattern = r"(β受体阻滞剂|钙通道阻滞剂)"
# 提取实体
diseases = re.findall(disease_pattern, text)
symptoms = re.findall(symptom_pattern, text)
tests = re.findall(test_pattern, text)
treatments = re.findall(treatment_pattern, text)
drugs = re.findall(drug_pattern, text)
# 输出结果
print("疾病:", diseases)
print("症状:", symptoms)
print("检查方法:", tests)
print("治疗手段:", treatments)
print("药物:", drugs)
输出:
疾病:['冠心病']
症状:['胸痛', '呼吸困难']
检查方法:['心电图', '冠状动脉造影']
治疗手段:['药物治疗', '手术治疗']
药物:['β受体阻滞剂']
关系抽取
接下来,我们需要从句子中提取实体之间的关系。例如:
冠心病 有症状 胸痛
冠心病 检查方法 心电图
冠心病 治疗手段 药物治疗
可以使用依存句法分析或预训练的关系抽取模型来实现。这部分代码可能涉及到NLP库,如spaCy或HanLP。
将抽取的实体和关系构建成三元组(subject, predicate, object),然后建立知识图谱。
心脏科示例
使用提取的实体和关系,构建三元组。例如:
("冠心病", "有症状", "胸痛")
("冠心病", "检查方法", "心电图")
("冠心病", "治疗手段", "药物治疗")
("药物治疗", "使用药物", "β受体阻滞剂")
示例代码
# 构建三元组
triples = [
("冠心病", "有症状", "胸痛"),
("冠心病", "有症状", "呼吸困难"),
("冠心病", "检查方法", "心电图"),
("冠心病", "检查方法", "冠状动脉造影"),
("冠心病", "治疗手段", "药物治疗"),
("冠心病", "治疗手段", "手术治疗"),
("药物治疗", "使用药物", "β受体阻滞剂")
]
原始代码
将知识图谱存储在图数据库中,如Neo4j,并提供查询接口。
心脏科示例
我们可以使用Neo4j来存储上述三元组,并通过Cypher查询语言进行查询。
示例代码
from py2neo import Graph, Node, Relationship
# 连接到Neo4j数据库
graph = Graph("bolt://localhost:7687", auth=("neo4j", "password"))
# 清空数据库
graph.delete_all()
# 创建节点和关系
for subj, pred, obj in triples:
subj_node = Node("Entity", name=subj)
obj_node = Node("Entity", name=obj)
graph.merge(subj_node, "Entity", "name")
graph.merge(obj_node, "Entity", "name")
rel = Relationship(subj_node, pred, obj_node)
graph.merge(rel)
查询示例
# 查询冠心病的症状
query = """
MATCH (d:Entity)-[r:有症状]->(s:Entity)
WHERE d.name = '冠心病'
RETURN s.name AS symptom
"""
results = graph.run(query)
for record in results:
print(record["symptom"])
输出:
胸痛
呼吸困难
原始代码
将用户的自然语言问题解析为可执行的查询,提取意图和关键实体。
心脏科示例
用户问题示例:“冠心病有哪些症状?”
我们需要解析出:
意图:查询症状
实体:“冠心病”
示例代码
# 用户问题
question = "冠心病有哪些症状?"
# 意图识别(简单关键词匹配)
if "症状" in question:
intent = "查询症状"
else:
intent = "未知"
# 实体识别
entities = re.findall(disease_pattern, question)
print("意图:", intent)
print("实体:", entities)
输出:
意图:查询症状
实体:['冠心病']
原始代码
根据解析的意图和实体,从知识图谱中检索相关信息。
心脏科示例
使用上一步得到的意图和实体,构造查询,从知识图谱中获取答案。
示例代码
if intent == "查询症状" and entities:
disease = entities[0]
query = f"""
MATCH (d:Entity)-[r:有症状]->(s:Entity)
WHERE d.name = '{disease}'
RETURN s.name AS symptom
"""
results = graph.run(query)
symptoms = [record["symptom"] for record in results]
print(f"{disease}的症状有:{', '.join(symptoms)}。")
输出:
冠心病的症状有:胸痛, 呼吸困难。
原始代码
利用大语言模型(如GPT)将检索到的知识生成自然语言回答,可能还会定制的口吻。
心脏科示例
我们可以将检索到的信息传递给大语言模型,如GPT-4,生成专业且通俗的回答。
示例代码
# 假设我们有一个函数generate_answer,用于调用大语言模型
def generate_answer(disease, symptoms):
prompt = f"请详细介绍一下{disease}的症状,包括:{', '.join(symptoms)}。"
# 调用大语言模型(伪代码)
answer = call_language_model(prompt)
return answer
# 使用检索到的症状生成回答
answer = generate_answer(disease, symptoms)
print(answer)
由于无法实际调用大语言模型,这里假设生成的回答如下:
冠心病的主要症状包括胸痛和呼吸困难。其中,胸痛常在劳累或情绪激动时出现,休息后可缓解;呼吸困难可能在活动时加重,需引起重视。
通过上述步骤,我们实现了将知识图谱与大语言模型相结合的RAG系统。当用户提出问题时:
问题解析:识别意图和实体。
知识检索:从知识图谱中获取相关信息。
回答生成:利用大语言模型,将检索到的知识生成自然语言回答。
这种方法的优势在于:
专业性:确保回答的准确性和专业性。
流畅性:大语言模型保证了语言的流畅和自然。
可扩展性:知识图谱可以不断更新和扩充,适应新的知识。
请点个关注
专注AI+医学的应用实践
可加微信"FRESH7air"
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
2024-04-11
2024-06-16
2024-08-04
2024-06-15
2024-07-12
2024-07-22
2024-07-18
2024-04-29
2024-03-29
2024-05-02