LW-基于知识图谱的医疗病例数据存储研究（计算机工程，1000-3428（2019）01-0009-08 观后总结）

这篇论文提出一种改进的病例图谱存储方案，即多元关系到RDF三元组的转化方案。基于原始病例数据具有空值多、谓词数量多且为此不固定等特征，采用基于改进三元组表的存储方案，将病例RDF三元组的实体和属性进行ID化。在此基础上，设计实体类型表，面向病例图谱使用SPARQL-to-SQL查询转换算法。实验结果：与基于类型的存储方案相比，基于图谱的RDF存储方案具有较高的查询效率。

RDF:

1.   资源描述框架（Resource Description Framework，RDF）为一种元数据框架，是对结构化的元数据进行编码、交换和再运用的一个基础结构。RDF的意义在于能够针对资源进行描述。它能非常方便地捕获非XML文档信息。它的目的是为描述这些资源提供一种通用的方法，方便它们的分类、建立目录、查找和获取。
2.   RDF方式采用伪语法方式来表达RDF资源的表达式或语句。RDF语句（statement）是由三个部分组成的：

• 被描述的资源、
• 对象被声明的方面或者特性，
• 该特性的实际值。

   这三个部分各自的术语为主体（subject）、谓词（predicate）和对象（object）

论文中心：提出一种改进的病例图谱存储方案

解决的问题：提高查询效率

文章结构：

一、概述：

     为发现电子病例中数据的深层含义，将电子病历中的数据以RDF格式发布，形成病例图谱，并与开放式知识库（如中文知识库）相关联，用于对疾病检测、用药推荐、相似病人发现等研究。

1、RDF存储方式：

•    原生图：Allegro Graph、Neo4j等
•    关系型数据库:mysql、Oracle等

2、现有存储方案及问题：

• 三元组表存储:

                         将主谓宾分别存储在关系表的三列

                        问题：复杂查询会造成大量的自连接而降低查询性能。

• 水平存储：

                         行：主体，列：数据集中所有属性（星状查询结构）

                         问题：表中存在大量列和空值，一个属性存在具有多个值的情况。

• 基于类型存储（改进水平存储）：

                        相同类型主体存于一张表中，每张表以水平存储方式（解决列数多的问题）

                        问题：空值问题、多值性问题依然存在、大多数查询会涉及多个表连接或合并操作。

• 基于谓词存储（改进三元组存储）：

                        将三元组表重写为N（数据集中谓词个数）张包含2列的表，该表以谓词命名，第一列:谓词对应主体，第二列：主体在该谓词上的值。(解决空值问题、多值性问题)

                        问题：增加查询时表连接的数量，表增多加大了维护难度

针对问题提出基于知识图谱的医疗病例数据存储方案。

二、病例知识图谱构建及关联基础知识库

1、病例知识图谱构建

  原始关系数据表：

                                    

对应部分知识图谱

2、关联基础知识库

目的：进一步分析某病人患过哪些疾病、做过哪些手术、患过某一疾病的的患者拥有哪些共同点等。

与中文症状知识库进行关联：

                                     

上方:病例图谱中部分元素

下方：中文症状知识库中部分元素

三、存储方案

  1、多元关系存储

        如何将病例中多元关系转换成RDF三元组格式，是本文难点。

     多元关系到 ＲDF 三元组的转化遵循的规则:多元关系 { ＜ subject，predicate，object，a1，a2，…，an ＞ ，n ＞ 0} 。

•        subject :三元组的主语
•        object :三元组的宾语
•        predicate:主语和宾语之间的关系
•        a1，a2，…，an 表示该三元组的描述信息，与原三元组共同构成多元关系。

此多元关系转换成等价三元组为:
＜ subject，edge_predicate，edgeType_id ＞
＜ edgeType_id，detailType，object ＞
＜ edgeType_id，a1，a1 _value ＞
＜ edgeType_id，a2，a2 _value ＞
＜ edgeType_id，a3，a3 _value ＞

＜ edgeType_id，an，an _value ＞

                                           

按照规则，图 3 可以转换为:
＜ 张三，edge_operation，operationEdge1 ＞
＜ operationEdge1，时间，2014 年 ＞
＜ operationEdge1，operationDetail，静脉穿刺术 ＞
＜ 赵四，edge_operation，operationEdge2 ＞
＜ operationEdge2，时间，2015 年 ＞
＜ operationEdge2，operationDetail，静脉穿刺术 ＞

2、数据集转换

  每张表中一行代表一个实体，字段名代表属性，列值代表对应的属性值，根据属性类型划分表。

•    属性属于实体（病人性别、血型、手术代码等) 一一一一> 详情表
•    属性属于对三元组的描述信息（住院时间、化验结果、化验时间等）一一一一>相应的关系表（如手术关系表）

3、表结构设计

     列举了基于三元组存储方案、水平存储方案、基于谓词存储方案、基于类型存储方案来设计表结构的不足。

    本文改进了三元组表存储方案来进行表结构设计。

设计4张表：

•  实体表：实体名称、entity_id(将字符串类型实体名称映射为数值类型ID,数据库对数值类型查询效率高于字符串类型，从而 提高查询效率)
• 属性定义表：谓词、attr_id
• 属性表:每条三元组的唯一id、entity_id、attr_id、attr_value
• 实体类型表:entity_id、type_id(实体类型id)

四、查询集

为全面评估各存储方案的性能，通过对问题的分析，根据查询过程中将要使用到的节点和边，将问题分成以下四种来进行查询。

• “1 个节点1 条边”
• “2 个节点 1 条边”
• “2 个节点 2 条边”
• “3 个节点2 条边”4 类

五、查询转换引擎

   设计满足针对病例图谱的常用统计分析类查询需求的SPARQL-to-SQL转换算法。

•   难点1：如何将SPARQL中的多元关系查询映射到对应的三元组。

        解决方法：在进行每一步查询的时候为属性表分配别名 attribute_i，并令 attribute_i. attr_value = attribute_i+ 1. entity_id

•  难点2：SPAＲQL 查询语句中的查询变量到SQL 查询语句中的查询变量的映射和 SPAＲQL 中的聚合函数到 SQL 中的聚合函数的转化

解决方法：算法 4 SPARQL-to-SQL 算法

输入 SPARQL
输出 SQL
1． prefix ← PREFIX
2． URI ← URI of prefix
3． triples ← split SPARQL． WHERE_Clause with " ．"
4． for each triple in triples do
5． if triple contains " EMPI" then
6． add entity name to SQL.SELECT_CLAUSE
7． add entity to SQL.FROM_CLAUSE
8． add “attribute _ 1.entity _ id = entity.entity _ id and attribute_1.entity_id = attribute_2.entity_id”to SQL.WHERE_CLAUSE
9． predicate ← concat URI and triple.predicate
10． ID←getIDFromAttributeDefinitionTable( predicate)
11． if triplePattern is ＜ ?s p o ＞ then
12． add“attribute_i.attr_id = ID and attribute_i.value = o and attribute_i.entity _id = attribute_i + 1.entity _id” to SQL.WHERE_CLAUSE
13． add“attribute attribute_i”to SQL.FＲOM_CLAUSE
14． else if triplePattern is ＜ ?s p ?o ＞ then
15． if triple.?o = nextTriple.?s then
16． add“attribute_i.attr_id = ID and attribute_i.attr_value =attribute_i + 1.entity_id” to SQL.WHERE_CLAUSE
17． else if triple is followed by FILTER then
18． add“attribute_i.attr_id = ID and F( filter) ”to SQL.WHERE_CLAUSE
19． end for
20． values ← split SPARQL.SELECT_CLAUSE with " "
21． if values contain“COUNT /AVG /MIN /MAX”then
22． add “COUNT /AVG /MIN /MAX ( attribute _ ilast.value) ) ”to SQL.SELECT_CLAUSE

算法 4 中的 F( filter) 函数用于将 SPAＲQL 中的FILTER约束条件转换为 SQL 中 的 约 束 条 件，如FILTER( ?age ＞ 70) 转换为 attribute_i． attr_value ＞70，attribute_ilast 代表最后一个属性表的别称。
根据算法 4，查询“2015 年之后入院的女性患者”的 SPAＲQL 语句为:

PREFIX medical: ＜ http: / /shuguangemr/resource / attribute _definition / ＞
SELECT ?EMPI
WHERE{
?patient medical: EMPI ?EMPI．
?patient medical: sex“女”．
?patient medical: hospitalEdge ?edge．
?edge medical: inTime ?time．
FILTER( ?time ＞“2015-01-01 00: 00: 00”^^xsd: datetime)
}

转换成 SQL 为:

SELECT entity.name
FROM entity，attribute attribute _ 1，attribute attribute _ 2，attribute attribute_3
WHERE attribute_1.entity_id = entity.entity_id
and attribute_1.attr_id = 3
and attribute_1.value =‘女’
and attribute_1.entity_id = attribute_2.entity_id
and attribute_2.attr_id = 11
and attribute_2.attr_value = attribute_3.entity_id
and attribute_3.attr_id = 51
and attribute_3.attr_value ＞‘2015-01-01 00: 00: 00’

六、实验结果与分析

 1、实验环境

 2、实验设计

• 三种存储方案：三元组表方案、基于类型存储方案、本文提出的方案。    

• 通过数据装载时间，查询响应时间，存储空间占用量来评估。

• 根据四中提出的4类查询进行测试，每条查询执行100次取平均执行时间。

3、评估与结果分析

七、结束语

  总结本文研究解决的问题：

1、设计RDF三元组格式的转化方案。

2、设计面向病例知识图谱的SPARQL-to-SQL查询转换算法。

下一步研究方向:如何处理时间类型的数据。本文对于时间的查询需要使用相关的时间处理函数，导致了查询效率降低。