新医科视域下知识图谱在医学教育中的构建与应用

Construction and Application of Knowledge Graph in Medical Education from the Perspective of New Medicine

摘要

新医科建设作为当代中国教育改革的战略方向，面临传统医学教学中跨学科知识融合困难、标准化教学难以应对学生差异化需求等挑战。知识图谱是数字化教育的热点，也是人工智能技术的重要组成部分。通过知识图谱技术构建创新型医学课程成为未来医学教育的重要方向。因此，系统性分析新医科背景下面临的主要问题，在“脑科学与影像新技术”课程中采用知识图谱技术，从医工结合的角度深度融合多个交叉学科知识点，结合采集式学习方法，帮助学生抓取不同学科核心知识信息；同时以解决临床实际问题为导向，通过归纳疾病“防、诊、治、康”全周期中所涉及的相关知识点，推理疾病演变和诊治特征。教学实践表明，该知识体系不仅可以有效促进学生的发散创新思维和系统思维能力，在提升教学质量以及培养复合型医学人才中发挥了关键作用，为高等院校医学教育改革提供有效借鉴与参考。

Abstract

The construction of New Medicine, as a strategic direction of education reform in contemporary China, faces challenges such as difficulties in integrating interdisciplinary knowledge within traditional medical education and the inability of standardized teaching to address students’ diverse needs. Knowledge graphs represent a hot topic in digital education and a crucial component of artificial intelligence technology. Constructing innovative medical curricula through knowledge graph technology has become a key direction for future medical education. Therefore, this study systematically analyzes the primary issues encountered under the background of New Medicine. By applying knowledge graph technology in “Brain Science and New Imaging Technologies” course, two objectives were achieved. Firstly, knowledge points from multiple interdisciplinary fields were deeply integrated by medical-engineering convergence and capturing core knowledge information from different disciplines via exploratory learning. Secondly, guided by addressing practical clinical challenges, relevant knowledge points across the entire disease lifecycle were synthesized to deduce disease progression and diagnostic and therapeutic characteristics, including prevention, diagnosis, treatment, and rehabilitation. It was demonstrated that this knowledge framework not only effectively fosters students’ divergent innovation and system thinking abilities but also plays a pivotal role in enhancing teaching quality and cultivating multidisciplinary medical professionals. It provides valuable insights and references for medical education reform in higher education institutions.

Graphical abstract

关键词

知识图谱 / 新医科 / 医学教育 / 医工交叉

Key words

Knowledge graph / New Medicine / Medical education / Medical-Engineering integration

2020年，国务院办公厅《关于加快医学教育创新发展的指导意见》进一步要求“以新医科统领医学教育创新”，明确提出“促进医工、医理、医文学科交叉融合”，培育具备跨领域能力的复合型人才。然而，当前医学教育仍面临严峻的挑战，传统医学教育已不足以应对信息时代的变革需求，医学生临床实践过程中跨学科知识融合困难，标准化教学难以应对学生的差异化需求。

教育部《中国教育现代化2035》为高等医学教育改革指明了方向^［1］，利用并探索数字化赋能医学教育新模式，构建智慧教学新生态是目前教学改革的重点。知识图谱技术为医学教学提供了有力路径，知识图谱通过结构化整合多源知识（如医学概念、工程原理、临床数据），通过构建语义关联网络，实现跨学科知识的系统化融合；通过知识图谱动态更新与语义推理，实现个性化学习路径，加强医学生自主学习能力的培养。本文总结了知识图谱在新医科教育中的应用，并结合西安交通大学“脑科学与影像新技术”课程知识图谱建设案例，旨在通过介绍影像新技术与疾病诊断、疗效评估及预后相关前期研究成果，激发学生的创造性思维和系统性思维，培养复合型医学人才，推动医学教育改革，提供知识图谱在医学教育的建设路径。此外，人工智能驱动的医学知识图谱构建目前仍处于快速发展阶段，通过持续的技术创新、应用理论创新，构建智能化医学知识图谱，将为中国医学教育带来深远影响。

1 知识图谱概述

1.1 知识图谱简介

知识图谱技术于2012年5月由Google正式提出，是以符号化形式描述物理世界概念及其关系的结构化语义网络，其基础单位为“实体-关系-实体”三元组^［2］。2020年教育部发布了《关于启动部分领域教学资源建设工作的通知》，强调了研究制定知识图谱以覆盖相关知识领域、知识单元和知识点^［3］。知识图谱以节点表示实体，边表示关系，通过网状关联整合异构信息，提供关系分析能力，通过结构化、语义化的知识表示，实现了对现实世界复杂关系的建模和管理，是人工智能、大数据和语义网技术的重要组成部分，已在医疗领域得到广泛应用^［4-6］。例如，医学中“疾病-症状-药物”的关联可通过三元组（如“脑栓塞-肢体无力-溶栓药物”）实现结构化表达。

知识图谱的架构主要包括自身的逻辑结构以及体系架构。在逻辑上，知识图谱通常被划分为数据层与模式层。数据层是知识图谱的基础，存储具体的实体、关系及属性信息，以三元组形式（头实体、关系、尾实体）表示现实世界的知识单元，并包含“实体-属性-值”的对应关系。模式层则位于数据层之上，是知识图谱的核心部分，通过本体定义实体类型、属性及关系的语义框架，确保数据层具有逻辑规范性。这种分层架构不仅支持高效的知识存储与查询，还通过模式层的语义约束提升知识表达的准确性和可解释性。

1.2 知识图谱的构建

知识图谱的构建是一个系统且复杂的过程，通常从原始数据开始，利用一系列自动或半自动技术手段提取知识事实，并存储进数据层和模式层。其过程主要包括数据获取、信息抽取、知识融合、知识加工，采用自顶向下与自底向上两种路径实现知识图谱的构建。自顶向下方式是通过构建顶层关系本体，将抽取到的实体更新到所构建的顶层本体中。自底向上的方式可以将抽取数据中发现的类别、实体、属性以及关系统一合并到知识图谱中，这也是目前大部分知识图谱都采用的构建方式^［7］。

数据获取是构建知识图谱的基础，主要包括从多种数据库提取有价值的信息，涉及从结构化、半结构化和非结构化等多源异构数据中收集原始信息。数据获取后，通过清洗、去噪和标准化等预处理步骤滤过无关信息和修复缺失的信息以提升数据的质量。

信息抽取是通过各种处理技术将原始数据中的半结构化和非结构化数据转换为结构化信息的核心环节。其目的是从多源异构数据中提取实体、关系和属性信息，涉及实体抽取、关系抽取和属性抽取等技术。实体抽取也称命名实体识别，旨在从非结构化和半结构化数据中识别命名实体。关系抽取则是在实体抽取基础上，提取实体之间的关联关系。属性抽取则是从多源数据中汇集信息，全面描绘实体的属性特征。

知识融合通过整合不同来源的知识合并为一个知识库，用于解决多源异构数据的冗余性、冲突性与不一致性，通过从多角度融合数据信息来保障知识的质量。其核心技术主要包括本体融合与数据融合。

知识加工是在信息抽取和知识融合基础上，构建结构化、网络化的知识体系。同时，进一步通过知识推理、补全新知识、验证与动态更新等手段，优化现有结构，完善知识图谱。

1.3 知识图谱的推理

知识图谱推理过程重点关注实体、关系和图谱结构三方面特征，其目标是通过现有知识（三元组）进行规则迭代或模型表示发现新知识（实体关系或者实体属性），包括知识问答、关联分析、规则推理及表示推理能力，这也是知识图谱的核心能力^［8］。知识图谱推理方法主要包括逻辑规则推理、图结构推理、分布式表示学习推理、图神经网络推理等。特别是随着近年来医疗数据规模不断增长，传统推理方法容易出现信息遗漏、错乱导致诊断时间延长等问题。人工智能技术可以从海量医疗数据中挖掘更有价值的信息，用以提升知识推理的效率和精准度，人工网络与深度学习在当代医学知识图谱构建中发挥着重要作用^［9］。

1.4 知识图谱在医学教育中的优势

知识图谱通过结构化整合多源医学知识，为医学教育体系提供了系统性解决方案，其核心价值在于突破传统教学模式的固有局限，主要体现在以下方面。

知识图谱可实现医学知识的结构化整合。医学知识体系庞大且逻辑耦合性强，传统教学易导致知识点碎片化。知识图谱通过“实体-关系网络”重构医学知识体系，解决多源异构资源碎片化问题。例如在护理教学方面，吴萌等构建了围保健知识图谱的概念层与实例层，顶层本体包含教学资源、人、教学工具、时期和主题5大类，基于该本体构建了多模态知识图谱，包含2门课程，24个教学单元，涵盖436个知识点、695张图片、26个视频和5个音频，为学员提供了直观且有针对性的学习路径^［10］。

知识图谱为个性化学习与精准导学提供了支撑。基于学生学习行为数据，图谱可动态生成个性化学习路径，实现资源的精准推送。这种自适应模式有效解决大班教学缺乏针对性指导的问题，能显著提升学习自主性与效率。例如，石立莹等人通过构建医学护理知识图谱，精准分析学生的学情，有利于教师根据学生的学习进度和兴趣，进一步推荐个性化的学习资源和学习路径^［11］。何晓茜等人采用多模态知识图谱，利用YOLOv3-tiny模型进行目标检测训练，结合自顶向下和自底向上方法构建医学知识图谱，并在智慧教学平台中应用，显示该模型可以显著提升医学教学图片的搜索精准度^［12］。

基于知识图谱的医学教育，有助于教师教学水平的提升。当前，医学学科分支不断细化，对临床医生的要求越来越高，需要具备临床诊疗能力的广度，综合判断处理各种临床问题。学科图谱体系可以将基础医学、临床医学甚至工科知识进行系统化组织和分类，将以临床问题为导向的多学科知识进行有机串联，建立学科知识框架，有助于师生理解不同临床问题潜在的医学及工科知识，发现学科知识的共性与差异，进而更加全面地理解学科知识，系统地规划课程、优化教学方案。例如，王莉在上海健康医学院通过搭建基于知识图谱的教师教学能力培训课程平台，为该校广大教师提供了教学能力数字化评价，显著提升了教师授课满意度和教学水平^［13］。

2 新医科视域下的知识图谱构建

2.1 新医科背景下跨学科融合的必然与挑战

新医科建设作为新时代中国医学教育改革的战略方向，其核心内涵体现为“医学+X”跨学科模式：通过医学与工学、理学、信息学等多学科交叉，发展精准医学、转化医学、智能医学等新兴专业，打破传统医学教育的学科壁垒，构建适应“健康中国”规划的复合型人才培养体系。这一趋势是医学应对时代挑战的必然选择，也面临着诸多现实困境。

新医科教育的跨学科特性面临着传统教学模式的多重挑战。

首先是知识体系结构差异：医学知识教学遵循实践与临床决策为中心，强调经验归纳总结。特别是现代医学以生物医学为基础，强调循证医学（Evidence-based Medicine， EBM）框架下的临床决策。例如，临床医生的诊断依赖于实验室指标（如肌钙蛋白水平判断心肌梗死）和影像学证据（如CT影像的HU值量化判断脑出血或者钙化），治疗则需结合临床指南与患者个体差异。这种模式要求医生结合标准化知识（如病理机制）和动态临床变化特点，形成“科学逻辑+经验直觉”的临床思维。医学教育中大量技能（如触诊感知肿瘤边界、心肺听诊鉴别杂音）需通过临床实践转化为程序性知识。研究显示，医学生对疾病的认知在临床实践中接触患者后明显加深，可以显著提升课堂的知识转化率。然而这样的教学仅适用于普及基础知识，不利于医学生对未解决的医学或者临床问题的创新性突破。在攻克医学问题方面，工学知识依赖数理模型与逻辑演绎，工学教育将人体视为生物系统，例如心血管等同于液压系统，而神经系统视为电路网络，通过数学模型来解析疾病的生理机制（如负反馈控制、稳态平衡），并设计、转化为医疗器械进一步解决临床问题，例如磁共振成像与计算机断层扫描图像的重建和分析有赖于复杂的数学算法，通过压缩感知技术，可以显著提升图像的质量，从而提升诊断的效率和准确性。这种模式要求学生掌握微分方程、信号处理等数理知识，与医学的定性描述形成鲜明对比。然而，医学院校的工科课程常因医学资源未深度融入而流于形式。例如，医学生虽然学习了建模技术，但缺乏将这些技术应用于临床过程的实践训练，暴露了知识转化断层现象。信息学知识则是以数据抽象与算法优化为特色。信息化聚焦算法抽象旨在解决医学中的复杂问题（例如影像病灶自动识别、电子病历挖掘）。但医学信息课程常与临床需求脱节，例如，学生需学习“Python医学数据分析”课程，用于预测肺癌不同治疗方式预后，却未充分理解“肺癌治疗新方案”的临床背景。张雪等人指出，中国信息学教育存在计算机科学、管理学课程占比较高，医学课程虽然占一定比例，但其内容较为宽泛，缺乏系统性，导致学生难以形成针对临床问题，结合大数据模型与算法实现信息化分析的完整思维路径^［14］。

其次，在知识更新速率方面，医学与其他学科更新呈现明显失衡现象：医学指南平均更新周期为5年，而AI算法迭代周期短至6个月（如2023年FDA批准的124项AI医疗设备中87%涉及深度学习架构升级），传统教材不能及时动态整合跨学科领域相关前沿知识，当前传统教学模式难以紧跟时代发展趋势。

此外，教学资源相对分散孤立。当前大多医学临床数据库、工科仿真平台以及生物信息数据库等学习平台分别属于独立的学院或者系统，学生需要在多个平台之间切换完成单一学习任务，这种分散式布局使学生难以高效整合和利用资源，既影响了学习效率与体验，又进一步影响教学效果。医学专业综合性强，涉及多个学科交叉知识，特别是当前知识爆炸时代，学生面临海量信息冲击，传统医学教学模式难以满足学生的个性化需求，无法实现真正的个性化教学路径。

2.2 新医科背景下知识图谱的价值

采用知识图谱技术，通过构建医学与工科语义关联网络，可以实现跨学科知识的系统化融合，通过动态更新与语义推理，助力个性化学习路径，是打破传统教学以单一学科授课、知识罗列为主要模式的重要方法。知识图谱在医学教育中的初步实践应用，已起到重要的推动作用。一方面，实现对复杂医学知识的整合，并以可视化的方式呈现，促进学生更好地理解与记忆，提升学习效率；另一方面，帮助学生更加清晰地了解疾病诊疗路径，进而提高临床实践能力。

新医科背景下，“医学-工科-信息学”融合的实践路径主要体现在以下三方面。首先，是数据层融合。例如，Gowda等人的研究表明，结合实验室数据、心电图以及胸部影像数据的多模态融合模型在呼吸窘迫综合征的诊断准确率比单一模型提高了22%^［15］。其次，在知识层面进行融合，实现跨学科本体构建。例如，在“医学-工科”方面，定义“医疗设备”为本体，关联“材料耐久性”与“生物相容性”，进一步优化医疗器械设计，最终反馈于临床。还可通过构建“疾病-基因-药物”图谱，结合信息学算法来预测药物副作用^［16］。此外，在推理层的融合，可以实现跨学科、跨领域协同决策。例如，通过融合疾病的临床症状数据、工科影像设备的参数以及信息学图像识别处理算法，可以显著提升肺癌早期诊断精准度^［17］。

由此可见，知识图谱技术在医学教育中，可以有效帮助学生更好地理解和记忆医学知识，提升临床实践能力，与工科、信息学知识的融合，还有助于提升学生的主动思考和自主创新能力。

3 新医科背景下知识图谱实践案例

西安交通大学开设“脑科学与影像新技术”课程，是国家级一流本科课程，设计思路注重医工结合，强调从影像新技术的理解到实际临床应用的系统掌握，涵盖了脑肿瘤、脑外伤、脑血管疾病、慢性病等多个方面。课程内容不仅涉及医学影像技术，同时融合了人工智能、神经科学、计算机学等多个学科，已建成的课程知识图谱涵盖27个能力图谱、105个问题图谱、1 110个知识点、160个教学资源。

3.1 “脑科学与影像新技术”课程契合新医科核心特征与教育目标

在跨学科交叉融合方面，该课程强调了医学与工科的结合，将临床问题转化为可研究的热点问题，融合工科方法攻克医学难题，结合采集式学习的方法，抓取核心知识信息，最终回归临床解决实际问题，体现了新医科中的“多学科交叉融合”和“系统思维”特征。同时，课程内容涵盖了疾病的“防、诊、治、康”全周期，例如通过功能磁共振技术探索脑肿瘤防治、慢性病管理、脑血管疾病精准诊疗与康复，呼应新医科从“疾病治疗”转向“健康全周期管理”的导向。该课程还与“健康中国2030”目标紧密相关，旨在通过影像新技术提升临床诊断和治疗能力，推动医学教育改革，实现医学与工科的深度融合，符合新医科“健康导向”和“系统医学”的理念。

在学生的创新思维与科研能力培养方面，课程纳入了脑科学研究中的最新影像技术，例如功能磁共振成像（fMRI）、PET-CT以及PET-MR等，并引入团队原创研究结果，通过医工结合的视角引导学生进行科研探索，培养学生的跨学科、发散和创新思维，符合新医科“创新”和“科研驱动”的理念。

课程团队将研究成果实时转化为教学案例，例如新冠后遗症脑机制研究、原发性痛经神经影像学特征等热点课题，实现了科研反哺教学。

3.2 “脑科学与影像新技术”课程知识图谱的构建

在课程中，应用知识图谱技术从文本、图像、视频等多元数据中提取知识，并将这些知识进行融合，构建一致且完整的课程知识体系。在脑科学中，知识图谱技术可以用于从文本、图像、视频等多元数据中提取知识，并将这些知识进行融合，构建一致且完整的脑科学知识体系。“脑科学与影像新技术”作为一门融合医学与工科的国家一流课程，其核心内涵与知识图谱技术高度契合，主要体现在以下方面。

首先，知识图谱的核心内涵在课程体系中的映射。在结构化知识表示中，知识图谱核心是通过节点（实体）-边（关系）结构实现知识的语义化表达，该课程涵盖了脑肿瘤、脑血管病、神经退行性疾病等实体，以及“病理机制-影像特征-治疗方案”等关系网络，医学实体体现在脑区结构、病变区域、生物标记等；关系定义体现在影像特征与疾病分型的关联，例如课程中DTI纤维束成像与脑外伤预后的关系；知识表示体现在通过计算影像学将多模态数据（fMRI、PET）转化为标准化知识单元。在多元异构数据整合方面，该课程强调医工结合，整合了临床数据、影像数据、工科算法及文献知识，构建了多模态脑疾病知识图谱。该课程关注疾病机制的挖掘探索与治疗方案的优化，体现了知识图谱的推理能力：例如阿尔茨海默病的tau蛋白扩散模型，通过影像特征推理神经退行性疾病进展路径；通过流式知识提取，实时更新新冠后遗症的研究（见图1）。

4 大模型赋能下医学知识图谱构建

在当前人工智能时代，知识图谱作为人工智能技术的重要组成部分，正在经历前所未有的发展。面临医学快速发展、临床数据爆炸式增长等现状，医学知识图谱构建是一个复杂而庞大的过程。由于数据量庞大，手动构建所有的知识图谱既耗时又费力。人工智能技术可以通过深度学习、自然语言处理等技术，实现自动提取关键医学信息，并将其与其他学科相关数据进行整合，形成全面、准确的医学知识图谱。

通过大语言模型实现医学知识的自动化构建和知识纠偏：大语言模型学习大规模的医学文献和临床数据，可以自动提取医学知识中的实体和关系。以BERT为例，该模型通过预训练和微调的方式，能够对医学文本进行深度理解和语义分析。通过将BERT应用于医学知识图谱构建中，可以实现自动识别医学实体（如疾病、药物、症状等）以及它们之间的关系（如治疗、引起等），减轻人工构建知识图谱的工作量^［18］。其次，大语言模型能够帮助医学知识图谱的更新和扩展。由于医学知识的更新速度较快，传统的知识图谱构建方法往往难以及时跟进。而大语言模型可以通过不断学习新的医学文献和数据，自动更新和扩展知识图谱中的实体和关系。这种自动化的更新机制能够保证知识图谱的时效性和准确性，例如通过大语言模型检测图谱中的陈旧知识并触发更新机制，推动多模态推理与个性化医疗，通过整合罕见病诊疗大数据库，图谱关联相似病例治疗方案，进而辅助医生个性化决策^［19］。

基于可视化、数智化医学知识图谱，将人工智能技术与教育教学进行融合创新，可以为学习者提供个性化学习路径，实现多样化教学，进一步推动新医科建设。

5 结语

综上所述，新医科建设是新时代中国医学教育改革的战略方向，其核心是培养复合型医学人才。知识图谱作为人工智能技术的重要组成部分，其构建和应用成为推动新医科建设智能化、个性化进程的关键力量。本文中“脑科学与影像新技术”课程结合采集式学习方法，从医工交叉角度融合多学科知识点构建的知识体系，有效促进了学生的创新发散思维和系统思维。当前人工智能驱动的医学知识图谱构建处于快速发展阶段，正在经历从“静态知识库”向“动态决策脑”演变。因此未来结合持续的技术创新、应用探索与理论创新，构建更加强大、智能的医学知识图谱，将为我国新医科教育带来深远影响。

参考文献

[1] 中华人民共和国教育部.中国教育现代化2035［EB/OL］.（2019-02-23） ［2025-08-05］.

[2] SINGHAL A. Official Google blog：introducing the knowledge graph： things， not strings［EB/OL］.（2021-07-02）［2025-08-05］.

[3] 中华人民共和国教育部.教育部办公厅关于启动部分领域教学资源建设工作的通知［EB/OL］.（2020-04-10）［2025-08-05］.

[4] CAO J H， FANG J Y， MENG Z Q，et al ．Knowledge graph embedding：A survey from the perspective of representation spaces［J］．ACM Computing Surveys，2024，56（6）：1-42．

[5] WANG Z， ZHANG J W， FENG J L，et al ．Knowledge graph embedding by translating on hyperplanes［C］//Proceedings of the Twenty-Eighth AAAI Conference on Artificial Intelligence．July 27 - 31，2014，Québec City，Québec，Canada．ACM，2014：1112-1119．

[6] 王宇彤，王国红 ．基于知识图谱的成人医学教育研究现状和热点分析［J］．医学教育研究与实践，2018，26（5）：731-735．

[7] 侯梦薇，卫荣，陆亮，等 ．知识图谱研究综述及其在医疗领域的应用［J］．计算机研究与发展，2018，55（12）：2587-2599．

[8] 杨观赐，许彪，罗可欣，等 ．知识图谱技术综述：构建、推理及典型应用［J］．贵州大学学报（自然科学版），2025，42（2）：1-10．

[9] 中华人民共和国工业和信息化部 ． 基于人工智能的知识图谱构建技术要求：YD/T 4044—2022 ［S］．北京：人民邮电出版社.

[10] 吴萌，杨林，沈柳，等 ．面向继续医学教育的多模态围产保健知识图谱构建研究［J］．医学信息学杂志，2024，45（4）：8-13．

[11] 石立莹，闫景瑞，李咏梅 ．基于基础医学知识图谱的自主学习教学设计［J］．基础医学教育，2023，25（10）：862-865．

[12] 何晓茜，王若瑶，张炯娜 ．面向医学教育的多模态知识图谱构建方法及其在智能教学辅助平台中的应用［J］．微型电脑应用，2024，40（10）：42-45．

[13] 王莉，奚丽君 ．知识图谱赋能教学的逻辑框架及其在医学教育中的实践探索［J］．医学信息学杂志，2024，45（9）：96-101．

[14] 张雪，张志强，陈秀娟 ．中美医学信息学本硕教育现状对比分析与启示［J］．图书情报工作，2019，63（12）：12-21．

[15] GOWDA M S. Dynamic AI Models for Real-Time ICU monitoring［J］.2025，11（2）：3166-3171.

[16] HANAF H， HASSANI B， KBIR M ．Predicting gene-drug-disease interactions by integrating heterogeneous biological data through a network model［J］．Interna-tional Journal of Advances in Soft Computing and Its Applications，2022，14（1）：36-48．

[17] 廖茂洁 ．甲基化结合影像组学在精准诊断早期肺癌中的应用［J］．医学论坛，2024，6（20）：224-226．

[18] 米仁沙·艾尼 ．基于BiLSTM、BERT的医学知识图谱实体关系抽取研究与实践［J］．软件，2025，46（1）：27-30．

[19] LI Q， LIU H， GUO C，et al.Merging clinical knowledge into large language models for medical research and applications：A survey［J］.arXiv preprint arXiv：

基金资助

陕西省学位与研究生教育学会项目(SXGERC2023009)

陕西省社会科学基金项目(2024P018)