肇庆市网站建设_网站建设公司_Node.js_seo优化

文章摘要

本研究构建了针灸知识图谱（AcuKG），系统性地整合多源数据，涵盖适应症、疗效、临床指南等内容。通过实体识别、语义关系提取等技术，AcuKG不仅增强知识发现能力，还显著提升大语言模型在针灸领域的问答准确性，为临床实践和AI应用提供结构化知识支撑。

阅读原文或https://t.zsxq.com/0oxpp获取原文pdf

一、研究背景：针灸知识亟需结构化整合

1.1 针灸在全球的发展现状

针灸作为传统中医疗法，已在全球范围内获得广泛认可。数据显示，美国执业针灸师数量从1998年到2018年增长了257%，总数达到37,886人。 美国国立卫生研究院（NIH）已将针灸认定为补充医学中的治疗干预手段，目前主要作为辅助治疗和补充医学应用于临床实践。

针灸通过将细针刺入人体特定穴位来缓解各种健康问题。根据古代经络理论，穴位沿经络分布，经络是人体皮肤上形成网络系统的通道，“气”（能量）在其中流动。针灸帮助疏通气血，使其通过经络从而治疗疾病。 研究表明，针灸在治疗偏头痛、慢性疼痛、化疗引起的恶心呕吐、癌症等疾病方面显示出疗效。

1.2 当前面临的挑战

尽管针灸作为补充疗法的认可度不断提高，但将其疗效用强有力的科学证据证实或探索针灸的新潜在疗效的需求日益增长。然而，传统针灸知识往往根植于古代实践，在与现代医学整合时面临独特挑战。

核心挑战包括：

• 缺乏基于循证医学且结构化的针灸知识系统
• 传统知识与现代临床实践难以有效衔接
• 针灸知识分散在多个来源，整合困难
• 数字化应用场景中知识利用率低

构建一个与现代临床实践相一致的、基于循证医学且计算结构化的针灸知识系统至关重要，但这仍然是一个未解决的挑战。

二、研究目标与方法论

2.1 研究目标

本研究旨在开发一个结构化且全面的知识图谱，整合分散的针灸知识，促进其在针灸研究和临床实践中的应用。通过整合来自多个高质量资源的碎片化数据，包括针灸在线资源、文献、临床试验和专业本体，研究团队策划了AcuKG——一个旨在封装广泛数据同时提供全面、标准化和集成针灸知识的知识图谱。

具体目标：

1. 捕捉针灸穴位的复杂细节
2. 整合临床适应症信息
3. 关联相关临床证据
4. 构建统一的针灸知识库

2.2 技术方法

研究采用多种方法来提取和组织针灸相关知识：

核心技术包括：

• 实体识别

  ：识别穴位、解剖位置、疾病等实体

• 术语规范化

  ：统一不同来源的术语表达

• 语义关系提取

  ：挖掘实体间的关联关系

• 本体映射

  ：与现有医学本体系统对接

在之前的工作中，研究团队已经使用机器学习模型和大语言模型从WHO标准中提取了穴位相关实体（穴位、解剖结构、方向、距离、总体位置和子部分）和关系（‘方向关系’、‘距离关系’、‘部分关系’、‘邻近穴位’和’位于附近’）。

三、数据来源：多源异构数据的整合

3.1 针灸知识来源

研究使用了多样化的可信数据库和资源，以确保全面的针灸知识覆盖和质量。团队从WHO标准、专业针灸网络资源、临床试验注册库和PubMed索引的临床研究文章中收集针灸知识。

（1）WHO标准穴位定位

WHO标准是为了通过提供361个穴位位置的一致性、科学验证的参考来协调针灸实践而开发的。 该标准通过专家协作和全面审查制定，是从业者、教育工作者和研究人员的重要资源，促进针灸融入现代医疗系统并支持国际合作。

（2）Acufinder.com在线资源

Acufinder.com是一个致力于针灸和传统东方医学的综合性在线资源。 该网站提供每个穴位的详细信息，包括其代码、中文名称、英文名称、位置、适应症和传统作用。通过提供这些广泛的知识，Acufinder.com旨在支持针灸师的专业发展并促进针灸和东方医学领域的研究。

（3）PubMed文献数据库

PubMed是美国国家医学图书馆（NLM）维护的免费公开数据库，提供生物医学和生命科学文献的全面覆盖。 研究团队从PubMed检索了所有与穴位相关的文献，重点关注临床研究。基于MeSH术语的查询确保检索到的文献相关、高质量，并反映针灸研究中最新的知识。

（4）ClinicalTrials.gov临床试验注册库

ClinicalTrials.gov是NLM维护的公开数据库，提供全球范围内临床研究的信息。 研究团队使用预定义的穴位词汇对ClinicalTrials.gov进行了系统检索，以识别涉及针灸的相关临床试验。

3.2 本体和编码系统

为确保知识图谱中的标准化术语和互操作性，研究团队将知识图谱链接到生物医学和临床研究领域中建立良好的多个本体和编码系统，如UBERON、SNOMED CT和医学主题词（MeSH）。

这些数据源为构建细粒度和可靠的知识图谱提供了坚实基础，促进了针灸相关信息的标准化和整合。

四、质量控制：确保知识准确性

4.1 内容准确性保障流程

为确保AcuKG的内容准确性，研究团队实施了以下流程：

（1）人工审核机制
两位作者对从针灸网络资源和WHO标准中提取的内容进行了人工审核。

（2）基于词汇的实体提取
对于从PubMed和临床试验中提取的内容，基于预定义词汇或标注术语提取实体，确保其规范化和一致性。

（3）频率过滤方法
为最大化关系的准确性，应用了基于频率的过滤方法。排除了仅出现一次的关系，以减少可能由提取错误或偶然提及导致的错误关系。只有至少出现两次的穴位-疾病对才被纳入。

4.2 数据标准化处理

通过与多个权威本体系统的映射，AcuKG实现了：

• 术语的标准化表达
• 与国际医学编码系统的互操作性
• 数据的可追溯性和可验证性

五、应用案例：验证AcuKG的实用性

为评估AcuKG的可用性，研究团队设计了两个应用案例。

5.1 案例一：肥胖与针灸知识发现

第一个应用案例聚焦于肥胖和针灸知识发现。肥胖是全球性健康问题，与慢性疾病相关，而针灸显示出作为补充治疗的潜力。然而，针灸与肥胖之间的关系及其疗效仍未得到充分探索。

研究价值：

• 识别与肥胖治疗相关的关键穴位
• 关联肥胖相关针灸疗效研究
• 为临床决策提供证据支持
• 发现潜在的研究空白

通过AcuKG，研究人员可以系统性地将关键穴位与肥胖相关的针灸治疗疗效研究联系起来，促进知识发现。

5.2 案例二：增强大语言模型的针灸问答能力

大语言模型（LLMs）在医学应用中显示出前景，但在针灸等专业领域缺乏准确性。 第二个应用案例测试了GPT-4o和LLaMA 3通过将AcuKG作为结构化输入数据是否能提高其在针灸相关问答中的准确性，通过真实针灸考试来衡量正确性。

实验设计：

• 测试模型：GPT-4o和LLaMA 3
• 知识注入方式：将AcuKG作为结构化输入
• 评估方法：真实针灸考试题目
• 评价指标：回答准确率的提升幅度

关键发现：
知识注入到大语言模型（如ChatGPT和LLaMA）中，显著提高了它们回答针灸相关问题的能力，增加了回答准确性。

这些应用案例展示了AcuKG的应用场景以及在针灸领域赋能AI应用的能力。

六、研究意义与未来展望

6.1 学术价值

本研究为针灸知识表示建立了结构化基础，有助于更可靠和高效的知识检索和发现，使研究人员、临床医生和人工智能（AI）应用在该领域受益。

核心贡献：

1. 知识整合

   ：首次系统性整合多源针灸知识

2. 标准化体系

   ：建立针灸知识的标准化表示框架

3. AI赋能

   ：显著提升AI模型在专业领域的表现

4. 临床应用

   ：为循证针灸实践提供数据支撑

6.2 临床价值

AcuKG可以协助临床决策，通过以下方式：

• 快速检索特定疾病的有效穴位组合
• 查询临床试验证据支持
• 发现潜在的新适应症
• 优化治疗方案设计

6.3 技术创新

本研究展示了知识图谱技术在传统医学现代化中的应用价值：

• 打破知识孤岛，实现多源数据融合
• 提升AI模型的领域专业能力
• 为其他传统医学知识库建设提供参考

6.4 未来研究方向

1. 知识图谱扩展

   ：纳入更多针灸相关知识维度

2. 动态更新机制

   ：建立知识的持续更新流程

3. 多语言支持

   ：支持中英文等多语言查询

4. 临床验证

   ：开展大规模临床应用验证研究

5. 个性化推荐

   ：基于患者特征的智能穴位推荐

七、结语

AcuKG的构建代表了针灸知识数字化和结构化的重要里程碑。通过整合WHO标准、专业资源、文献数据库和临床试验信息，本研究创建了一个全面、标准化且可扩展的针灸知识体系。两个应用案例验证了AcuKG在知识发现和AI赋能方面的实用价值。

这项工作不仅为针灸研究和临床实践提供了强大的知识基础设施，也为传统医学与现代技术的融合探索了新路径。随着人工智能技术的不断发展，AcuKG有望在精准医疗、临床决策支持和医学教育等领域发挥更大作用，推动针灸医学向循证化、标准化和智能化方向发展。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】