基于知识图谱的卵巢储备功能减退针灸智能诊疗辅助系统研究

摘要

基于文献、经典著作及临床数据，构建了针对卵巢储备功能减退（DOR）的妇科专用针灸知识图谱与决策支持系统。临床评估显示，该系统的诊断一致率达到86.7%，处方评分较高，专家间一致性虽具有统计学意义但程度有限，表明其可作为辅助性临床决策支持工具。

摘要

卵巢储备功能减退（DOR）的发病率呈上升趋势，且影响人群趋于年轻化。针灸已在临床上用于治疗DOR，但目前治疗仍依赖主观判断和经验，缺乏标准化的诊疗指南。在我们先前开发的通用智能针灸系统基础上，本研究聚焦妇科疾病，以DOR为临床切入点，构建专业化的知识图谱与决策支持系统。本研究纳入了82部经典针灸文献、中英文研究资料以及临床数据，采用大语言模型与人工标注相结合的混合方法提取知识，构建了完整的针灸知识图谱及针对DOR的妇科子图谱。该系统采用基于BiLSTM-CRF的实体识别与双模式检索技术，实现证候辨识与针灸处方生成的自动化。完整知识图谱包含16,558个实体和80,084条关系，妇科子图谱包含8,677个实体和27,092条关系。在对90例DOR患者的临床评估中，该系统与专家判断的诊断一致率达到86.7%。处方适宜性平均评分为4.65分。专家间一致性采用肯德尔和谐系数（Kendall’s coefficient of concordance）评估，W ≈ 0.13（P < 0.05），提示专家间存在统计学显著但程度有限的一致性。研究结果表明，该系统可为DOR的针灸辨证与处方生成提供结构化支持，具备作为辅助临床决策工具的应用潜力。

引言

卵巢储备功能减退（DOR）的特征是卵母细胞数量和/或质量下降，导致生育力降低、月经紊乱以及激素水平失衡¹。近年来，DOR 的发病率不断上升，且逐渐影响到更年轻的群体。美国的流行病学数据显示，其发病率从 2004 年的 19% 上升至 2011 年的 26%²，而中华医学会的一份报告指出，在接受辅助生殖技术治疗的不孕患者中，DOR 的患病率为 13.58%^2,3。

目前西医的管理策略包括控制性卵巢刺激、辅助药物治疗和激素替代疗法。然而，这些方法存在多种局限性，包括取卵率低、活产结局改善有限、治疗中断率高、存在禁忌证以及潜在的不良反应^4,5。

针灸已被研究作为改善卵巢功能减退（DOR）患者卵巢功能的一种补充治疗手段。临床研究和系统评价的证据表明其具有潜在益处^6,7,8。然而，针灸的诊断与治疗仍高度依赖操作者的经验，不同理论学派之间存在差异，且缺乏与现代临床数据的标准化整合。这些局限性限制了针灸指南的广泛实施，并增加了未接受过中医正规培训的临床医生的学习门槛。

人工智能（AI）与知识图谱（KG）技术的最新进展，为针灸和中医领域中复杂医学知识的结构化与利用提供了新的方法^9,10。先前的研究包括针灸研究趋势的可视化分析¹¹、基于图卷积网络的穴位推荐模型¹²、融合提示学习的针灸与推拿知识图谱框架¹³，以及中医知识图谱构建与应用的系统性综述¹⁴。此外，将知识图谱与大语言模型（LLMs）相结合已成为一个有前景的研究方向，例如用于处方生成的TCM-KLLaMA系统，以及结合大语言模型与知识图谱的基于病例的问答系统^15,16。这些研究凸显了人工智能驱动方法在支持中医结构化推理与决策方面的潜力。同时，复杂网络方法也被应用于针灸理论体系的分析，为结构化医学知识的建模提供了方法学支持¹⁷。

本课题组先前已构建了一个针对不孕症的通用针灸知识图谱，包括基于Transformer的双通道ACUBERT模型¹⁸以及具备多跳推理能力的大规模针灸知识库¹⁹。然而，这些系统被设计为通用框架，缺乏针对妇科疾病的特异性优化。此外，它们尚未在以卵巢储备功能减退（DOR）为重点的应用场景中进行临床验证。

在这一背景下，本研究聚焦于妇科生殖系统疾病，以卵巢功能减退（DOR）作为临床切入点。在现有通用针灸知识图谱的基础上，构建了针对DOR的领域特异性知识图谱，并开发了一套智能化临床决策支持系统。该系统通过真实世界临床病例进行评估，以检验诊断一致性与处方合理性，旨在为基于针灸的临床决策提供结构化且可重复的支持。

方案

本研究遵循机构伦理标准进行，并已获得东部战区总医院伦理委员会批准（批准号：DZQH-KYLLFS-25-38）。所有参与者在纳入研究前均签署了书面知情同意书。所有患者数据均已匿名化和去标识化，以确保隐私保护。本实验方案所用研究工具已列于材料表中。

1. 知识图谱构建

知识图谱采用多源数据整合策略构建。数据收集与标注工作由接受过正规中医（TCM）和针灸教育的 trained personnel 完成。数据来源包括经典针灸文献、来自 CNKI 的中文文献、来自 Web of Science 核心合集的英文文献、三级医院生殖中心的临床数据，以及标准化知识库（经典文献的详细列表见补充文件 1）。选择这些来源旨在确保知识图谱兼具历史深度与当代临床相关性。共纳入 400 例临床病例，以支持诊断与治疗模式的识别。知识图谱构建的整体工作流程见图 1。

图 1：知识图谱构建工作流程。构建知识图谱所用的数据收集、提取和整合过程的概述。请点击此处查看此图的放大版本。

纳入标准要求所有数据必须与针灸诊断和治疗直接相关，内容完整且结构清晰，适合进行实体与关系抽取。古典文献须经过严谨校勘，无明显错误；现代文献仅限同行评审的出版物或权威机构发布的文件。临床数据须去标识化，并获得伦理审批。排除标准包括重复记录、不完整的文本片段、与针灸诊断和治疗无关的内容，以及缺乏依据或存在错误的陈述。

一种混合知识提取方法被实施，结合了人工标注与自动提取。约30%的数据（包括经典文献和语义复杂的文本）由领域专家使用标准化标注平台进行人工标注。其余70%的数据则通过大语言模型（LLMs）进行自动化提取处理，包括实体识别与关系抽取。 提取及术语规范化。所有自动生成的结果均由专家进行审阅和修正，以确保准确性和一致性。

采用结构化提示模板执行自动抽取，以引导大语言模型的行为（模板示例如补充文件2所示）。这些模板将模型角色定义为特定领域的知识抽取专家，并引入以JSON三元组格式呈现的少量示例，以提升抽取性能。预处理后的文献摘要通过应用程序编程接口（API）提交，并采用并行处理策略以提高计算效率。抽取结果通过JSON验证工具进行解析和验证，以确保结构完整性。验证后的知识三元组被序列化为独立的JSON文件，并根据其来源文献命名，以保持可追溯性。

最终的知识图谱存储在图数据库中，并使用基于 Python 的框架实现。通过图数据库内置的可视化工具进行可视化，以支持检查与验证。

知识图谱中的实体被分为七类：疾病、症状、证候类型、穴位、经络、治疗方法以及效应物质和生物学机制。实体之间的关系构建旨在反映临床诊断和治疗逻辑，支持多步推理和结构化推断。本体及关系结构如图2所示。知识图谱的详细模式及关系约束示例见补充文件3和补充文件4。

图 2：知识图谱本体与关系模型。 知识图谱中实体类型及其相互关系的示意图。核心实体包括疾病、症状、综合征、穴位和治疗方法，用于展示诊断与治疗之间的关联。
请点击此处查看该图的放大版本。

2. 应用系统开发

该应用系统基于构建的知识图谱开发，旨在实现临床决策支持。系统处理用户输入的数据，并通过自然语言处理与知识图谱推理进行结构化分析。

采用BiLSTM-CRF模型实现自然语言理解，用于命名实体识别和实体链接；模型架构如图3所示。该模型架构包含一个在领域特定语料库上训练的嵌入层、一个用于捕捉上下文信息的双向长短期记忆层，以及一个确保最优序列标注的条件随机场层。模型在由领域专家独立手动标注的临床和文献数据上进行训练。采用Cohen's kappa系数评估标注者间一致性，阈值设定为≥0.85。分歧通过专家共识方式解决。

图3：BiLSTM-CRF 模型架构。用于命名实体识别的 BiLSTM-CRF 模型示意图，包括嵌入层、BiLSTM 层和 CRF 层。
请点击此处查看此图的放大版本。

在推理过程中，该模型从临床输入数据中提取出结构化实体，包括症状、疾病和证候模式。这些实体通过术语标准化、基于余弦相似度的向量匹配以及上下文消歧方法，被映射到知识图谱中的标准化节点上。

采用结合关键词和基于语义的双模式策略进行知识检索。关键词检索利用全文索引实现对结构化实体的精确匹配，而语义检索则采用向量表示法识别相关的非结构化知识。检索结果经过合并、去重和结构化处理，以供下游分析使用。采用多维度排序策略，根据精确匹配度、语义相似性和关键词相关性对结果进行优先级排序，并针对妇科及与卵巢储备功能减退（DOR）相关的背景调整权重。

该系统采用自然语言生成技术生成诊断和治疗输出，将结构化知识转化为临床可解读的响应。

3. 临床应用与评估

该系统在临床环境中得到应用，以评估其实际性能。研究对象为在南京一家三级医院被诊断为卵巢储备功能减退并同意接受针灸治疗的患者。

纳入标准为年龄在20至40岁之间，并根据2016年POSEIDON标准及2020年中国专家共识符合卵巢储备功能减退的诊断标准。诊断指标包括抗苗勒管激素水平降低以及窦卵泡计数 < 5。若患者存在影响生育能力的疾病、严重合并症，或在过去三个月内接受过针灸促孕治疗，则予以排除。患者纳入与排除流程图见图4。

图4：患者纳入与排除流程图。显示患者筛选过程的流程图。共有127名患者符合纳入标准，在应用排除标准并排除数据不完整者后，最终纳入90名患者。请点击此处查看该图的放大版本。

收集并以结构化格式记录了患者数据，包括人口统计学和临床信息。参与者完成了标准化问卷，以获取症状和临床信息（详细问卷见补充文件5）。系统根据输入数据生成诊断结果和针灸处方。

采用诊断准确性和治疗适当性来评估系统性能。诊断准确性通过将系统生成的证候辨识结果与三位资深妇科中医医师提供的结果进行比较来评估，这三位医师的结果作为参考标准。诊断一致率计算为所有病例中结果一致的病例所占的比例。

治疗方案的适宜性由三位具有至少五年临床经验并拥有高级专业技术职称的资深针灸医师组成的专家组进行评估。专家们使用5点Likert量表对系统生成的处方进行独立评估。采用Kendall和谐系数（W）评价评分者间的一致性。

结果

构建的知识图谱整合了来自经典中医文献、现代临床文献和真实世界病例记录的异构数据，遵循既定的知识图谱构建与评估原则。共纳入374份中文文献、267篇英文文章和82部经典中医古籍，确保了历史深度与当代临床相关性图5).

图 5：知识来源分布。 饼图显示了知识图谱中所使用知识来源的构成，包括中文文献（54%）、英文文章（39%）和中医书籍（7%）。

讨论

本研究介绍了一种基于知识图谱的智能决策支持系统，专为卵巢储备功能减退的针灸治疗而设计，标志着从通用型中医知识建模向特定疾病临床应用的转变。

与主要依赖医师经验的传统针灸实践相比，本研究所提出的系统引入了一种结构化且可重复的诊断框架。通过整合多源知识，并将“症状—证候—治疗”范式编码为基于图谱的表示形式，该系统能够在符合中医理论的同时实现标准化推理，并保持临床灵活性。该方法与近年来人工智能辅助中医诊断模型的发展方向一致，强调结构化知识表示与数据驱动推理的融合²⁵。

本研究的一个关键方法学特征是从一个大规模通用知识图谱中构建出妇科专用的子图。尽管大规模图谱具有广泛的表征能力，但可能引入冗余和无关的关联。相比之下，领域专用的子图能够提升语义连贯性和任务相关性。这一设计在卵巢储备功能减退（DOR）中尤为重要，因为其临床决策依赖于详细的症状模式和生殖指标。所观察到的性能表现与先前研究一致，表明在专业医学应用中，有针对性的图谱表征可提高效率和准确性²⁶

材料

本文使用的材料清单

姓名	公司	目录编号	评论
BiLSTM-CRF	开源（https://github.com/jmhIcoding/bilstm-crf）	N/A	用于临床文本提取中命名实体识别的深度学习模型架构
CNKI数据库	中国国家知识基础设施	N/A	用于检索相关中文语文学术出版物的文献数据库。
JSON 查看器 &和格式化工具	Megaish	1.6.0	用于查看和验证 JSON 数据结构的软件工具。
KGs 注释平台	南京科济数据科技有限公司	N/A	用于支持知识图谱构建的医学实体及关系语料库人工标注的基于网络的协作标注平台
大型语言模型 API	Moonshot AI	N/A	Kimi 大语言模型 API 用于生物医学文献的语义理解与自动化知识提取；接口兼容 OpenAI API 格式。
MySQL	甲骨文公司	8.0.42	用于存储结构化临床数据的关系型数据库管理系统。
Neo4j 浏览器	Neo4j, Inc.	5.26.10	用于妇科知识图谱交互式可视化与探索性查询的图数据库界面。
Python	Python 软件基金会	3.11.4	用于自动化文献爬取、大语言模型API调用、多进程协调、数据解析和知识图谱构建的主要编程语言。
Web of Science 核心合集	科睿唯安	N/A	用于检索相关英文文献的学术资源库。