Исследование интеллектуальной системы диагностики и ассистента лечения акупунктуры при уменьшенном резерве яичников на основе графа знаний

Краткое содержание

Был разработан граф знаний о акупунктуре, специфичный для гинекологии, и система поддержки принятия решений для уменьшенного яичникового резерва (DOR) с использованием литературы, классических текстов и клинических данных. Клиническая оценка показала 86,7% диагностического согласия и высокие баллы по назначению, с статистически значимым, но ограниченным межэкспертным согласием, что подтверждает роль вспомогательного клинического инструмента поддержки принятия решений.

Аннотация

Снижение яичникового резерва (ДОР) увеличивается и затрагивает молодых женщин. Акупунктура применялась клинически при ДОР; однако практика остаётся субъективной, зависит от опыта и не имеет стандартизированной реализации рекомендаций. Основываясь на нашей предыдущей общей системе интеллектуальной акупунктуры, это исследование нацелено на гинекологические заболевания и использует DOR как клиническую точку входа для разработки специализированного графа знаний и системы поддержки принятия решений. В исследование были включены 82 классических учебника по акупунктуре, китайская и английская литература, а также клинические данные. Знания были извлечены с помощью гибридного подхода, сочетающего большие языковые модели и ручное аннотирование для построения полного графа знаний по акупунктуре и специфического подграфа гинекологии, специфичного для DOR. Система использует распознавание сущностей на основе BiLSTM-CRF и двухрежимное извлечение для автоматизации дифференцировки синдромов и генерации назначения акупунктуры. Полный граф содержит 16 558 сущностей и 80 084 отношений, а подграф гинекологии — 8 677 сущностей и 27 092 отношений. В клинической оценке 90 пациентов с DOR система достигла показателя диагностического согласования 86,7% по сравнению с экспертными оценками. Средний балл приемлемости рецепта составлял 4,65. Межоценочное согласие среди экспертов, измеренное с использованием коэффициента согласованности Кендалла, составило W ≈ 0,13 (P < 0,05), что указывает на статистически значимое, но ограниченное согласие. Эти результаты свидетельствуют о том, что система может обеспечивать структурированную поддержку дифференцировки синдромов на основе акупунктуры и генерации назначения при ДОР, с потенциалом в качестве вспомогательного клинического инструмента поддержки принятия решений.

Введение

Снижение яичникового резерва (ДОР) характеризуется снижением количества и/или качества яйцеклетки, что приводит к снижению фертильности, нарушениям менструации и гормональному^{дисбалансу 1}. Заболеваемость DOR увеличилась в последние годы и постепенно затрагивает молодые популяции. Эпидемиологические данные из США показывают рост с 19% в 2004 году до 26% в 2011^{году, а} отчёт Китайской медицинской ассоциации зафиксировал распространённость 13,58% среди бесплодных пациентов, проходящих вспомогательные репродуктивные^{технологии 2,3}.

Современные стратегии ведения в западной медицине включают контролируемую гиперстимуляцию яичников, адъювантные фармакологические методы лечения и гормонозаместительную терапию. Однако эти подходы связаны с рядом ограничений, включая низкую скорость забора яйцеклетки, ограниченное улучшение исходов при рождении живых родов, высокий уровень прекращения лечения, противопоказания и возможные побочные^{эффекты 4,5}.

Акупунктура исследована как дополнительный терапевтический подход для улучшения функции яичников у пациентов с ДОР. Данные клинических исследований и систематических обзоров свидетельствуют о потенциальных ^{преимуществах 6,7,8}. Тем не менее, диагностика и лечение акупунктуры сильно зависят от опыта специалистов, различаются в разных теоретических школах и не имеют стандартизированной интеграции с современными клиническими данными. Эти ограничения ограничивают более широкое внедрение рекомендаций по акупунктуре и увеличивают барьер обучения для клиницистов без формального обучения в традиционной китайской медицине.

Недавние достижения в области искусственного интеллекта (ИИ) и технологий графов знаний (KG) позволили внедрить новые подходы к структурированию и использованию сложных медицинских знаний в области акупунктуры и TCM ^9,10. Предыдущие исследования включают визуальный анализ тенденций исследований^{акупунктуры 11}, модели рекомендаций акупунктурных точек на основе графовых сверточных^{сетей 12}, рамки графов знаний с использованием prompt learning для акупунктуры и^{tuina 13}, а также систематические обзоры построения и применения графов знаний^{ТКМ 14}. Кроме того, интеграция графов знаний с крупными языковыми моделями (LLM) стала перспективным направлением, что демонстрируют такие системы, как TCM-KLLaMA для генерации рецептов, а также системы ответа на вопросы на основе кейсов, объединяющие LLM с графами^{знаний 15,16}. Эти исследования подчёркивают потенциал подходов, основанных на ИИ, для поддержки структурированного мышления и принятия решений в ТКМ. Кроме того, для анализа теоретических систем акупунктуры применялись сложные сетевые методологии, обеспечивающие методологическую поддержку моделирования структурированных медицинских^{знаний 17}.

Ранее наша группа разработала общий граф знаний по акупунктуре для бесплодия, включая двухканальную модель ACUBERT¹⁸ на базе Transformer и крупномасштабную базу знаний по акупунктуре с возможностью многопрыжкового^{мышления 19}. Однако эти системы были разработаны как универсальные рамки и не имеют специфической для болезни оптимизации для гинекологических состояний. Кроме того, они не проходили клиническую валидацию в сценарии применения, ориентированных на DOR.

В этом контексте настоящее исследование сосредоточено на гинекологических репродуктивных нарушениях, используя DOR как клиническую точку входа. Опираясь на существующий общий граф знаний о акупунктуре, был создан граф знаний, адаптированный для DOR, и интеллектуальная система поддержки клинических решений. Система была оценена на основе реальных клинических случаев для оценки диагностической согласованности и соответствия рецепта, с целью обеспечить структурированную и воспроизводимую поддержку для принятия клинических решений на основе акупунктуры.

Протокол

Это исследование было проведено в соответствии с институциональными этическими стандартами и одобрено Этическим комитетом Главного госпиталя Восточного театрального командования (Одобрение No DZQH-KYLLFS-25-38). Письменное информированное согласие было получено от всех участников до включения. Все данные пациентов были анонимизированы и сняты с идентификации для обеспечения защиты конфиденциальности. Исследовательские инструменты для этого протокола перечислены в Таблице материалов.

1. Построение графа знаний

Граф знаний был построен с использованием стратегии интеграции данных с несколькими источниками. Сбор данных и аннотация выполнялись обученными специалистами с формальным образованием в области традиционной китайской медицины (ТКМ) и акупунктуры. Источники данных включали классические учебники по акупунктуре, китайскую литературу от CNKI, англоязычную литературу из Web of Science Core Collection, клинические данные из репродуктивных центров третичных больниц и стандартизированные базы знаний (подробный список классических текстов доступен в Дополнительном файле 1). Эти источники были выбраны для обеспечения как исторической глубины, так и современной клинической значимости. Всего было включено 400 клинических случаев для поддержки выявления диагностических и терапевтических моделей. Общий рабочий процесс построения графов знаний иллюстрируется на рисунке 1.

Рисунок 1: Рабочий процесс построения графов знаний. Обзор процесса сбора, извлечения и интеграции данных, используемого для построения графа знаний. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Критерии включения требовали, чтобы все данные были напрямую связаны с диагностикой и лечением акупунктуры с полным и чётко структурированным содержанием, подходящим для извлечения сущностей и отношений. Классические тексты должны были критически сопоставлены и не содержать очевидных ошибок, тогда как современная литература ограничивалась рецензируемыми публикациями или документами, издаваемыми авторитетными учреждениями. Клинические данные должны были быть сняты с идентификации и этически утверждены. Критерии исключения включали дублирующиеся записи, неполные текстовые фрагменты, содержание, не связанное с диагностикой и лечением акупунктуры, а также необоснованные или ошибочные заявления.

Был реализован гибридный подход к извлечению знаний, сочетающий ручное аннотирование и автоматизированное извлечение. Около 30% данных, включая классические тексты и семантически сложный контент, были вручную аннотированы экспертами в области с использованием стандартизированной платформы аннотаций. Оставшиеся 70% данных были обработаны с помощью крупных языковых моделей (LLM) для автоматизированной экстракции, включая распознавание сущностей, извлечение связей и нормализацию терминологии. Все автоматически сгенерированные результаты были проверены и исправлены экспертами для обеспечения точности и согласованности.

Автоматизированное извлечение осуществлялось с использованием структурированных шаблонов подсказок, предназначенных для руководства поведением LLM (примеры шаблонов приведены в дополнительном файле 2). Эти шаблоны определяли роль модели как эксперта по извлечению знаний, специфическим для конкретной области, и включали примеры обучения с несколькими выстрелами в формате JSON триплетов для повышения эффективности извлечения. Предварительно обработанные рефераты литературы передавались через интерфейсы прикладного программирования (API), а стратегии параллельной обработки были реализованы для повышения вычислительной эффективности. Выходы экстракции были проанализированы и валидированы с помощью инструментов JSON для обеспечения структурной целостности. Проверенные триплеты знаний сериализовались в независимые JSON-файлы, названные в соответствии с исходными документами для поддержания прослеживаемости.

Окончательный граф знаний хранился в базе данных и реализовывался с использованием фреймворков на основе Python. Визуализация выполнялась с помощью встроенных инструментов базы данных графов для поддержки инспекции и валидации.

Объекты в графе знаний были разделены на семь типов: болезни, симптомы, паттерны синдромов, акупунктурные точки, меридианы, методы лечения, а также эффекторные вещества и биологические механизмы. Взаимосвязи между объектами были построены с учётом клинической диагностической и терапевтической логики, поддерживающей многохоповое рассуждение и структурированный вывод. Онтология и структура отношений показаны на рисунке 2. Подробная схема графов знаний и примеры ограничений отношений приведены в Дополнительном файле 3 и Дополнительном файле 4.

Рисунок 2: Онтология графов знаний и модель отношений. Схематическое представление типов сущностей и отношений внутри графа знаний. Основные структуры включают заболевания, симптомы, синдромы, акупунктурные точки и методы лечения, а также иллюстрируют диагностические и терапевтические взаимосвязи.
Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

2. Разработка прикладных систем

Система применения была разработана на основе построенного графа знаний для поддержки клинических решений. Система обрабатывает вводные данные пользователя и проводит структурированный анализ с помощью обработки естественного языка и рассуждения на основе графов знаний.

Понимание естественного языка было реализовано с использованием модели BiLSTM-CRF для распознавания именованных сущностей и их связывания; архитектура модели показана на рисунке 3. Архитектура модели состояла из слоя вложения, обученного на доменно-специфических корпусах, двустороннего слоя долгосрочной краткосрочной памяти для захвата контекстной информации и условного случайного поля для обеспечения оптимальной маркировки последовательностей. Модель была обучена на вручную аннотированных клинических и литературных данных, при этом аннотация выполнялась независимыми экспертами в области. Согласование между аннотаторами оценивалось с использованием коэффициента каппа Коэна с порогом ≥0,85. Расхождения устранялись на основе консенсуса экспертов.

Рисунок 3: Архитектура модели BiLSTM-CRF. Схематическая диаграмма модели BiLSTM-CRF, используемой для распознавания именованных сущностей, включая вложение, BiLSTM и CRF-слои.
Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

В процессе вывода модель извлекала структурированные объекты, включая симптомы, заболевания и паттерны синдромов, из клинических входных данных. Эти сущности были сопоставлены со стандартизированными узлами графа знаний с помощью нормализации терминологии, сопоставления векторов на основе косинусного сходства и контекстного разъяснения.

Поиск знаний проводился с использованием стратегии двойного режима, сочетающей ключевые слова и семантические подходы. Поиск по ключевым словам использовал полнотекстовое индексирование для точного сопоставления структурированных сущностей, тогда как семантический поиск использовал векторные представления для выявления релевантных неструктурированных знаний. Полученные результаты объединялись, дедупликацировались и структурированы для дальнейшей обработки. Была применена многомерная стратегия ранжирования для приоритизирования результатов на основе точного совпадения, семантического сходства и релевантности ключевых слов, с учетом гинекологических и связанных с DOR контекстами.

Система генерировала диагностические и терапевтические результаты с использованием методов генерации естественного языка, преобразуя структурированные знания в клинически интерпретируемые ответы.

3. Клиническое применение и оценка

Разработанная система применялась в клинических условиях для оценки её практической эффективности. Участниками исследования были пациенты с диагнозом снижения яичникового резерва в третьей больнице Нанкина, которые согласились на лечение акупунктурой.

Участники допускались, если им было от 20 до 40 лет и они соответствовали диагностическим критериям снижения яичникового резерва согласно критериям POSEIDON 2016 года и Китайскому экспертному консенсусу 2020 года. Диагностические показатели включали снижение уровня антимюллеровских гормонов и количество антральных фолликулов < 5. Пациенты исключались, если у них были заболевания, влияющие на фертильность, серьёзные сопутствующие заболевания или если они проходили лечение акупунктурой для повышения фертильности в течение предыдущих трёх месяцев. Блок-схема включения и исключения пациентов показана на рисунке 4.

Рисунок 4: Блок-схема включения и исключения пациентов. Блок-схема, показывающая отбор пациентов. Всего 127 пациентов соответствовали критериям включения, а 90 пациентов были включены после применения критериев исключения и учета неполных данных. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Данные о пациентах, включая демографическую и клиническую информацию, собирались и фиксировались в структурированном формате. Участники заполняли стандартизированные анкеты для получения информации о симптомах и клинической практике (подробная анкета приведена в дополнительном файле 5). Система генерировала диагностические выводы и назначения на акупунктуру на основе входных данных.

Производительность системы оценивалась с использованием точности диагностики и целесообразности лечения. Диагностическая точность оценивалась путём сравнения результатов дифференцировки синдромов, вызванных системой, с результатами, предоставленными тремя старшими гинекологическими врачами по ТКМ, которые выступали в качестве эталонного стандарта. Показатель диагностического согласования рассчитывался как доля последовательных случаев среди всех случаев.

Целесообразность лечения оценивалась комиссией из трёх старших акупунктуристов с не менее пяти летами клинического опыта и профессиональными должностями. Эксперты независимо оценивали системные рецепты с помощью 5-балльной шкалы Ликерта. Межоценочное согласование оценивалось с использованием коэффициента согласованности Кендалла (W).

Результаты

Конструированный граф знаний интегрирует гетерогенные данные из классических учебников традиционной китайской медицины, современной клинической литературы и реальных судебных записей, следуя установленным принципам построения и оценки графов знаний. Всего были включены 374 источника на китайском языке, 267 статей на английском языке и 82 классических текста ТКМ, что обеспечивает как историческую глубину, так и современную клиническую значимость (см. рисунок 5).

Обсуждение

В настоящем исследовании описывается интеллектуальная система поддержки принятия решений на основе графов знаний, адаптированная для акупунктурного лечения сниженного резерва яичников, представляющая собой переход от универсального моделирования знаний традиционной китайской медицины к клиническому применению, специфическому для заболевания.

По сравнению с традиционной практикой акупунктуры, которая в значительной степени опирается на опыт специалистов, предла...

Материалы

Список материалов, использованных в этой статье

Имя	Компания	Каталожный номер	Комментарии
BiLSTM-CRF	Open Source (https://github.com/jmhIcoding/bilstm-crf)	N/A	Архитектура модели глубокого обучения, используемая для распознавания именованных сущностей при извлечении клинических текстовых данных.
CNKI Database	China National Knowledge Infrastructure	N/A	Репозиторий литературы, используемый для получения соответствующих академических публикаций на китайском языке.
JSON Viewer & Formatter	Megaish	1.6.0	Программный инструмент для просмотра и проверки структуры данных JSON.
KGs Annotation Platform	Nanjing KGI Data Technology Co., Ltd.	N/A	Веб-платформа для совместной аннотации, используемая для ручной разметки корпуса медицинских сущностей и отношений в поддержку построения графа знаний.
Large Language Model API	Moonshot AI	N/A	Kimi LLM API, используемый для семантического понимания и автоматизированного извлечения знаний из биомедицинской литературы; интерфейс совместим с форматом API от OpenAI.
MySQL	Oracle Corporation	8.0.42	Система управления реляционными базами данных, используемая для хранения структурированных клинических данных.
Neo4j Browser	Neo4j,Inc.	5.26.10	Интерфейс графовой базы данных, используемый для интерактивной визуализации и исследовательских запросов гиnekологического графа знаний.
Python	Python Software Foundation	3.11.4	Основной язык программирования, используемый для автоматизации обхода литературы, вызова LLM API, координации многопроцессорной работы, разбора данных и построения графа знаний.
Web of Science Core Collection	Clarivate Analytics	N/A	Репозиторий литературы, используемый для получения соответствующих академических публикаций на английском языке.