当前位置：首页 > news >正文

中文医学知识图谱构建利器：CMeKG_tools完全指南

news 2026/8/19 5:37:49

中文医学知识图谱构建利器：CMeKG_tools完全指南

【免费下载链接】CMeKG_tools项目地址: https://gitcode.com/gh_mirrors/cm/CMeKG_tools

在当今医疗信息化快速发展的时代，如何从海量医学文本中自动提取结构化知识成为了一项关键技术挑战。CMeKG_tools正是为解决这一难题而生——这是一套专为中文医学自然语言处理设计的开源工具集，能够帮助开发者和研究人员轻松实现医学文本分词、实体识别和关系抽取三大核心功能，为构建中文医学知识图谱提供完整的技术解决方案。

🏥 项目核心价值与应用场景

CMeKG_tools的核心价值在于其专业性和易用性。这套工具专门针对中文医学文本的特点进行了优化，能够准确识别疾病、药物、检查、症状等医学实体，并抽取它们之间的语义关系。无论你是医疗信息化开发者、医学研究人员，还是对医疗AI感兴趣的工程师，这个工具都能为你提供强大的支持。

主要应用场景包括：

电子病历自动化分析
医学文献知识挖掘
药物相互作用研究
临床决策支持系统开发
医疗问答系统构建

🚀 快速开始：五分钟上手指南

环境准备与安装

首先克隆项目到本地：

git clone https://gitcode.com/gh_mirrors/cm/CMeKG_tools cd CMeKG_tools

安装必要的依赖包：

pip install torch transformers numpy tqdm

模型文件准备

由于预训练模型文件较大，需要从百度网盘下载并放置到正确位置：

关系抽取模型：包含pytorch_model.bin、vocab.txt、config.json和model_re.pkl
实体识别模型：包含完整的BERT模型文件和CRF参数
分词模型：针对医学文本优化的分词模型文件

重要提示：下载模型后，需要在 model_re/medical_re.py 的config类中修改文件路径配置，指向你本地的模型文件目录。

🔧 三大核心功能详解

1. 医学文本分词：精准切分医学术语

医学文本分词是医学NLP的基础，CMeKG_tools的分词模块专门针对医学术语特点进行了优化。与通用分词工具不同，它能够准确识别如"急性心肌梗死并发心源性休克"这样的复杂医学表述。

基础使用示例：

from medical_cws import medical_cws # 初始化分词器 segmenter = medical_cws() # 对医学文本进行分词 medical_text = "高血压病人不可食用阿莫西林等药物" result = segmenter.predict_sentence(medical_text) print(f"分词结果: {result}") # 批量处理医学文档 segmenter.predict_file("medical_records.txt", "segmented_results.txt")

配置说明：分词参数在 cws_constant.py 中集中管理，包括最大序列长度、批处理大小等关键参数。

2. 医学实体识别：智能提取关键信息

实体识别模块能够准确识别文本中的医学实体，支持9种实体类型：

疾病（d）、临床表现（s）、身体部位（b）
医疗设备（e）、医疗程序（p）、微生物类（m）
科室（k）、医学检验项目（i）、药物（y）

实体识别示例：

from medical_ner import medical_ner # 初始化实体识别器 ner_model = medical_ner() # 识别医学文本中的实体 text = "患者主诉发热、咳嗽3天，胸部CT显示双肺多发磨玻璃影" entities = ner_model.predict_sentence(text) print(f"识别到的实体: {entities}") # 批量处理医疗文档 ner_model.predict_file("patient_records.txt", "extracted_entities.txt")

技术特点：采用BERT-BiLSTM-CRF架构，结合深度学习和序列标注技术，确保高准确率的实体识别。

3. 医学关系抽取：构建知识三元组

关系抽取是构建知识图谱的核心环节，CMeKG_tools支持24种医学关系类型，涵盖治疗、病因、临床表现、检查等关键医学关系。

关系抽取完整流程：

import medical_re import json # 加载关系模式 medical_re.load_schema() # 加载预训练模型 model4s, model4po = medical_re.load_model() # 抽取医学文本中的关系 text = '据报道称，新冠肺炎患者经常会发热、咳嗽，少部分患者会胸闷、乏力，其病因包括: 1.自身免疫系统缺陷 2.人传人。' triples = medical_re.get_triples(text, model4s, model4po) # 输出结构化结果 print(json.dumps(triples, ensure_ascii=False, indent=2))

关系类型：完整的关系定义在 predicate.json 中，包括"治疗"、"病因"、"临床表现"、"检查"、"禁忌"等24种医学关系。

📊 实际应用案例

案例一：电子病历智能分析

# 病历文本分析示例 medical_record = """ 患者，男，65岁，因"反复胸痛3天"入院。 既往史：高血压病史10年，糖尿病史5年。 查体：BP 150/90mmHg，HR 85次/分。 辅助检查：心电图示ST段抬高，心肌酶升高。 诊断：急性心肌梗死。 治疗：阿司匹林100mg qd，氯吡格雷75mg qd。 """ # 使用CMeKG_tools进行完整分析 from medical_ner import medical_ner from medical_cws import medical_cws import medical_re # 1. 医学文本分词 segmenter = medical_cws() segmented_text = segmenter.predict_sentence(medical_record) # 2. 医学实体识别 ner_model = medical_ner() entities = ner_model.predict_sentence(medical_record) # 3. 医学关系抽取 medical_re.load_schema() model4s, model4po = medical_re.load_model() relations = medical_re.get_triples(medical_record, model4s, model4po) print(f"识别到的疾病实体: {entities.get('疾病', [])}") print(f"抽取到的治疗关系: {[r for r in relations if r[1] == '治疗']}")

案例二：药物相互作用研究

# 分析药物说明书中相互作用 drug_descriptions = [ "阿司匹林与华法林合用会增加出血风险", "青霉素类药物可能降低口服避孕药效果", "他汀类药物与葡萄柚汁同服会增加副作用" ] # 批量分析药物相互作用 medical_re.load_schema() model4s, model4po = medical_re.load_model() interactions = [] for text in drug_descriptions: triples = medical_re.get_triples(text, model4s, model4po) # 筛选药物相互作用相关关系 drug_relations = [t for t in triples if "药物" in str(t)] interactions.extend(drug_relations) print(f"发现的药物相互作用: {interactions}")

🔍 常见问题与解决方案

Q1: 模型加载失败怎么办？

问题现象：运行时提示模型文件找不到或路径错误

解决方案：

检查 model_re/medical_re.py 中的config类配置
确保模型文件已正确下载并放置到指定目录
验证文件权限，确保Python进程有读取权限

# 路径验证脚本 import os from model_re.medical_re import config required_files = [ "model_re.pkl", "vocab.txt", "config.json", "pytorch_model.bin" ] for file in required_files: file_path = os.path.join(config.PATH_BERT, file) if not os.path.exists(file_path): print(f"缺失文件: {file_path}")

Q2: 处理长文本时内存不足？

解决方案：

在 ner_constant.py 和 cws_constant.py 中减小batch_size值
调整max_length参数控制序列长度
分批处理大型文档

# 内存优化配置示例 # 在ner_constant.py中修改 batch_size = 1 # 减小批处理大小 max_length = 300 # 缩短最大序列长度

Q3: 特定医学术语识别不准确？

解决方案：

使用领域自适应技术微调模型
扩展医学专业词典
增加特定领域的训练数据

🛠️ 进阶使用与定制开发

自定义实体类型

如需添加新的医学实体类型，可以修改 ner_constant.py 中的实体标签定义：

# 扩展实体类型示例 l2i_dic = { "o": 0, "d-B": 1, "d-M": 2, "d-E": 3, "s-B": 4, "s-M": 5, "s-E": 6, # 新增基因相关实体 "g-B": 31, "g-M": 32, "g-E": 33, # 基因实体 "pr-B": 34, "pr-M": 35, "pr-E": 36 # 蛋白质实体 }

自定义关系类型

在 predicate.json 中添加新的关系类型：

{ "基因表达": "gene_expression", "蛋白质相互作用": "protein_interaction", "药物靶点": "drug_target", "病理机制": "pathological_mechanism" }

模型微调与性能优化

# 基于现有模型进行领域自适应 from medical_ner import medical_ner # 加载预训练模型 pretrained_model = medical_ner() # 准备领域特定数据 domain_data = load_your_domain_data() # 微调训练（需要根据实际训练脚本调整） pretrained_model.fine_tune( train_data=domain_data, epochs=10, learning_rate=1e-5 )