基于多源异构数据融合的动态抑郁症知识图谱构建

Construction of a Dynamic Depression Knowledge Graph Based on Multi-source Heterogeneous Data Fusion

摘要

抑郁症作为全球致残性最高的精神疾病，其复杂的多靶点治疗机制与快速更新的医学文献证据对抑郁症知识库的领域专精度与时效性提出了双重挑战。当前抑郁症知识图谱面临知识更新滞后、关系抽取领域适配性不足以及多源数据语义冲突3大问题。为此，本文提出基于多源异构数据融合的动态抑郁症知识图谱构建方法。该方法融合ICD‒11临床标准、DrugBank药物数据、PubMed文献及医学指南等多源数据，构建抑郁症领域本体作为语义一致性的基础。针对关系抽取的领域适配性问题，采用结构化知识库预训练与医学语料微调相结合的策略，训练面向抑郁症实体细粒度语义关系的抽取模型；为解决知识更新滞后问题，设计基于大语言模型的增量式三元组生成框架，通过动态更新模块实现新证据的实时整合与溯源；通过本体驱动的多源数据融合机制，有效协调结构化数据与非结构化文献的语义表达冲突。实验结果表明：领域适配的关系抽取模型在药物关系抽取等医学任务上的性能超越现有医学大模型，证明该模型具有良好的泛化性能；同时，该模型利用动态更新机制在持续知识集成过程中保持稳定的处理效率。经专家评估，本文构建的抑郁症知识图谱抽样准确率达92.1%，为抑郁症诊疗系统开发提供了高质量的知识基础。此外，本文提出的方法论对复杂疾病知识图谱构建具有普适性参考价值。

Abstract

Objective Depression, recognized as the most disabling mental disorder globally, presents significant challenges to the development and maintenance of depression knowledge bases. Its complex multi-target treatment mechanisms and the continuously expanding body of medical literature require both high domain specificity and timely updates in these knowledge bases. Currently, the construction and application of depression knowledge graphs face three critical bottlenecks. The first is delayed knowledge updating, which makes it difficult for knowledge graphs to keep pace with the latest research findings and clinical practices in the field of depression. The second is the insufficient domain adaptability of relation extraction, as existing methods often fail to accurately identify and extract the fine-grained semantic relationships specific to depression-related entities. The third is semantic conflict among multi-source data, arising from the heterogeneous structures and semantics of different depression-related data sources. Therefore, this study proposes a novel method for constructing a dynamic depression knowledge graph based on multi-source heterogeneous data fusion. Methods The proposed method began with the integration of various heterogeneous depression-related data sources. It comprehensively combined the ICD‒11 clinical diagnostic criteria, DrugBank drug data, the PubMed literature database, and domestic and international medical guidelines. A depression domain ontology was constructed with four core categories: diseases, drugs, symptoms, and non-pharmacological treatment methods, establishing a foundation for semantic consistency. A two-stage strategy was employed to address domain adaptability issues in relation extraction. First, pre-training on structured knowledge bases was conducted to provide the model with a general understanding of semantic relationships associated with depression-related knowledge. The model was then fine-tuned using depression medical relation extraction datasets. In addition, a chain of thought reasoning mechanism was introduced to enhance the model's reasoning and comprehension of complex semantic relationships among depression-related entities. An incremental triple-generation framework based on large language models was designed to address the challenge of delayed knowledge updates. The dynamic update module within this framework played a critical role by supporting the real-time integration of new evidence identified from the latest research findings and clinical practices. In addition, it enabled PMID tracing, allowing convenient verification of the sources of newly incorporated knowledge. An ontology-driven multi-source heterogeneous data fusion mechanism was established. This mechanism effectively resolved semantic expression conflicts between structured data, such as information from drug databases, and unstructured literature from academic publications, ensuring their consistent integration into the knowledge graph. The overall architecture formed a closed-loop system through a dynamic feedback mechanism. When new evidence emerged, it was first processed by the extraction enhancement layer to identify relevant information. Then, the dynamic update layer integrated the new information while considering its timeliness. Finally, the semantic fusion layer performed consistency verification against the existing knowledge system, ensuring the integrity and accuracy of the knowledge graph. Results and Discussions In the experimental evaluation, the performance of the relation extraction model was assessed from multiple perspectives. The fine-tuning performance of the model was compared to several baseline models, including medical pre-trained language models, fine-tuned lightweight large models in the medical domain, and general large models (GPT‒4o and DeepSeek). The superiority of the proposed domain-adaptive relation extraction model was first demonstrated through fine-tuning experiments, in which its performance exceeded that of all competing models across three benchmark datasets. Specifically, it achieved an accuracy of 95.20% on the ChemProt dataset and 91.42% on the DDI dataset. In addition, its F1 score on the DDI dataset was 1.67% to 5.42% higher than that of competing models. Compared to the base model Llama‒3.1‒8 B‒Instruct, the F1 score on the RE dataset increased by 13.78%, strongly validating the domain generalization capability of the proposed method. In the few-shot learning scenarios of the RE‒5‒shot and ChemProt‒5‒shot tasks, the proposed model outperformed large-scale general models such as GPT‒4o and DeepSeek. On the RE‒5‒shot dataset, the F1 score of the proposed method increased by 35.2% to 43.6% compared to that of the general models. On the ChemProt‒5‒shot dataset, the F1 score improved by 15.5% to 23.6%. These findings indicated that the fine-tuned relation extraction model more accurately recognized the biomedical relation types defined in this study. In the expert evaluation experiment, experts with extensive experience in depression research and clinical practice were invited to assess the constructed depression knowledge graph. The evaluation results showed that the depression knowledge graph achieved an accuracy of 92.1%, indicating a high level of quality in terms of accuracy and professional reliability. In addition, continuous monitoring throughout the knowledge integration process revealed that the model maintained stable processing efficiency through the dynamic update mechanism. Conclusions The method for constructing a dynamic depression knowledge graph based on multi-source heterogeneous data fusion, as proposed in this study, provides scalable and dynamic support for mental disorder knowledge management. It effectively addresses the three major bottlenecks encountered by current depression knowledge graphs and demonstrates excellent performance across multiple evaluation aspects. This methodology has significant reference value for the construction of knowledge graphs related to other complex diseases. In addition, it provides a high-quality knowledge base for developing depression diagnosis and treatment systems. Future research will focus on integrating knowledge graphs with large language models to reduce model hallucinations through retrieval-enhanced generation, assist primary care physicians in making more accurate diagnoses, and provide personalized diagnostic and treatment recommendations for patients with depression.

Graphical abstract

本刊网刊

抑郁症（major depressive disorder，MDD）是全球范围内致残率最高的精神疾病之一，其病因复杂，涉及遗传、环境、药物等多维度因素，并伴随较高的复发率和自杀率。据估计，全球范围内成年人抑郁症发病率已达5%，其中青年人占比最高^[1]，但这一全球精神健康危机仍未被重视。在低收入和中等收入国家，75%以上的患者没有得到治疗^[2]。新冠疫情暴发以来，全球精神疾病负担加重，其中，重度抑郁和焦虑症患者比例分别上升28%和26%^[3]，抑郁症诊疗工作面临严峻挑战。中国精神卫生调查显示，目前中国抑郁症患者总数已达9 000万^[4]，但其诊断率、治疗率和完全治疗率只有21.0%、9.5%和0.5%。

随着数据的爆炸式增长，非结构化且来源丰富的抑郁症数据大量积累，可为相关研究提供专业支持。因此，如何从多源异构抑郁症数据中高效融合抑郁症相关信息并实现精准诊疗，已成为该领域的重要研究方向。知识图谱（knowledge graph，KG）作为一种结构化知识表示方法^[5]，能够通过实体‒关系三元组建模疾病关联网络，为抑郁症临床决策、药物研发、个性化治疗等提供支持^[6]。同时，大语言模型（large language model，LLM）在医学领域表现出强大的性能，为抑郁症知识图谱构建提供了新的可能。然而，现有抑郁症知识图谱在关系抽取领域适配性、动态更新等能力上存在局限，面临以下挑战：

1）如何利用抑郁症知识训练LLM，解决关系抽取领域适配性局限。传统抑郁症知识图谱的关系抽取方法多在单一数据集上训练机器学习模型，数据集的领域特定性限制了高性能关系抽取模型的发展。通用关系抽取模型（如BERT^[7]）在抑郁症医学文本中易受术语复杂性和上下文依赖性干扰，导致三元组抽取精度下降。而直接使用LLM提取的抑郁症三元组数据存在不完整、不准确等缺陷。因此，需要将支撑性的抑郁症知识与LLM相结合，才能更好地发挥LLM性能，以解决关系抽取领域适配性不足的问题。

2）如何对抑郁症知识图谱的知识进行动态更新。传统抑郁症知识图谱构建依赖静态抽取—转换—加载（extract—transform—load，ETL）的流程，难以适应医学文献的快速更新。一些大型医学知识库也包含抑郁症相关知识，如SNOMED CT^[8]包含大量医学临床术语，但其包含的抑郁症相关知识不够全面，并且没有考虑最新文献成果。传统知识库更新周期长（平均6～9个月），难以捕捉最新抑郁症研究成果，存在更新滞后的问题，因此需要探索抑郁症知识图谱的动态更新机制。

3）多源异构知识融合中的语义冲突。抑郁症知识图谱通常建立在复杂的医疗系统上，如电子健康记录、医学文献、临床指南等。然而，现有研究多融合不同来源的结构化抑郁症知识，没有对医学文献等异构数据进行融合。同时，跨源异构知识融合需要解决语义冲突与冗余问题^[9]，这使得有效整合异构抑郁症知识更具挑战。

针对上述挑战，本文基于异构数据融合构建动态抑郁症知识图谱，核心贡献包括以下3个方面。

1）微调增强的关系抽取模型。为了充分利用抑郁症知识训练LLM，解决关系抽取领域适配性不足的问题，本文使用结构化抑郁症知识库和DrugBank药物知识进行预训练，并引入关系类型推理思维链和校对后的关系抽取医学语料对LLM进行微调，通过注入抑郁症知识构建一个可以对定义的抑郁症本体多级关系类型进行高效抽取的模型。实验表明，该模型在药物关系抽取等基础医学关系抽取任务上优于其他医学大模型，展示出良好的性能和泛化能力。

2）动态更新模块。针对抑郁症知识图谱动态更新滞后问题，本文设计基于LLM的增量式三元组生成框架，实现支持增量更新的抑郁症知识融合系统，支持新发表文献的自动化知识提取与图谱实时扩展。同时，对知识图谱中每个三元组关联的支撑文献PMID等信息进行知识溯源，方便查询与扩展阅读。

3）多源异构数据融合框架。针对多源异构知识融合中存在的语义冲突，首先，进行抑郁症领域本体构建，基于抑郁症本体实现语义一致性建模；其次，对DrugBank的结构化药物数据、PubMed文献的抑郁症疾病等非结构化知识进行数据融合；最终，构建涵盖抑郁症疾病、药物、症状、非药物治疗方法等全方面信息的动态抑郁症知识图谱，为抑郁症研究提供可扩展的知识基础设施，同时为其他复杂疾病的知识图谱构建提供方法论参考。

1 相关工作

1.1 医疗领域知识图谱构建方法

知识图谱构建技术分为通用知识图谱构建与领域知识图谱构建两类，抑郁症领域因数据复杂和规范性要求高，通常采用领域知识图谱构建方法。通用医学知识图谱涉及范围广，一些大型医学知识库中也包含抑郁症知识，如SNOMED CT^[8]包含大量医学临床术语，CMeKG则利用文本挖掘技术从大量医学文本中构建中文医学知识图谱。但其包含的抑郁症相关知识不够全面，并且没有考虑最新文献成果，因此如何从医学文献中获取大量的高质量医学知识值得研究。

针对抑郁症研究，Huang等^[10]率先探索了多源网络数据融合的抑郁症知识图谱构建方法，虽实现了广泛覆盖，但存在对疾病类型描述不足的局限。基于此，Jung等^[11]创新性地构建了青少年抑郁症本体框架，并通过社交媒体情感分析验证了其应用价值。近年来，真实世界数据和文献挖掘成为知识图谱构建的核心数据源。上海市精神卫生中心基于抑郁症专病数据库构建知识图谱^[12]，验证了真实世界数据与临床指南的一致性，并强调多源数据融合的重要性。以上研究虽利用了多源抑郁症数据，但更多的是融合不同来源的结构化知识，并未对文献等异构知识源进行融合。Huang等^[10]专注于重度抑郁症这一单一疾病，使用多个大型知识源构建一个更小的知识图谱。而Guo等^[13]提出的MK4MDD旨在为研究人员提供一个用于研究MDD病因和病理生理机制的中央知识库和分析平台。同时，这些知识图谱均以疾病为中心，涉及的抑郁症药物相关信息较少，也无法对抑郁症的最新知识进行动态更新。

1.2 医疗领域知识图谱关系抽取方法

医疗信息抽取技术的突破性发展为抑郁症知识图谱构建提供了方法论支撑。在实体关系抽取研究方面，早期方法主要依赖专家构建的模式匹配策略^[14]，通过为文本中实体及其潜在联系定制一套明确的规则以识别其间的关系。这类方法虽然直观有效，但存在规则维护困难、语义覆盖不全等明显缺陷。

近年来，BERT^[7]、GPT系列^[15]等预训练大型语言模型的发展为整合异构医疗数据提供了新的途径。然而在抑郁症领域，通用大模型对特定疾病知识的抽取往往存在专业性不足、缺乏高质量标注数据支持等问题。因此，研究者进一步探索了面向医学领域优化的预训练语言模型，以提升医学文本的关系抽取能力。例如，PubMedBERT^[16]采用PubMed文章进行预训练，显著提高医学文本理解能力，但不支持长文本处理，在需要跨句推理或处理复杂上下文信息的任务中表现受限。GatorTron^[17]进一步扩大了训练语料，包含UF Health、PubMed和维基百科数据，并采用去标识化临床笔记进行训练，在医学关系抽取任务上取得了较好的效果，但主要针对临床场景，对抑郁症相关关系抽取的适配性较差。

随着大模型的不断发展，研究者尝试构建更强的医学LLM用于关系抽取。BioMedGPT‒7 B^[18]结合多模态生物医学数据，在医学影像等任务上表现优异，但在医学关系抽取任务中仍易受长文本依赖性影响，无法有效处理跨句关系。BioMistral‒7 B^[19]基于Mistral架构进行医学优化，具备一定的医学知识推理能力，但相较于基于医学知识库训练的模型，在特定医学任务上的表现仍然有限。此外，DeepSeek‒R1^[20]等新一代大型通用LLM逐渐被应用于医学文本分析，但由于未针对医学领域专门优化，处理医学文本时仍依赖外部知识注入，与医学专用LLM相比，知识覆盖度和准确性仍存在差距，在医学关系抽取任务中存在事实性不足的问题。

当前预训练模型与领域知识的深度融合显著提升了抑郁症等医学领域的关系抽取性能，预训练模型的使用也推动了更准确、全面的医学本体论和分类学的发展^[21]。但现有抑郁症知识图谱构建运用的关系抽取方法大多基于规则匹配或普通深度学习模型，耗时耗力，需要结合LLM以提升性能。

2 多源异构抑郁症知识图谱动态构建

由于医学领域具备相对完善的知识架构，因此，本文采用自上而下的方式构建抑郁症知识图谱。图1展示了抑郁症知识图谱构建框架，主要包括微调增强模型、多源异构数据融合、动态更新模块3大主模块，以及异构数据源获取、抑郁症本体构建、信息抽取、数据精炼与存储等核心部分。图1中，N为时间，CoT（chain of thought）为思维链。

首先，利用结构化和非结构化数据构建抑郁症知识图谱。对于结构化数据，构建抑郁症本体作为知识图谱的模式层^[22]，以临床指南、权威书籍及医疗网站为数据源，直接采集抑郁症相关数据并进行实体与关系抽取。同时，利用结构化数据中蕴含的关系信息微调LLM，使其学习抑郁症相关关系表示，并获得非结构化抑郁症文献数据中的实体关系。其次，进行数据融合和数据精炼，引入从抑郁症文献数据获取到最终关系三元组生成的动态更新机制，并利用图数据库Neo4j对抑郁症知识图谱进行储存和可视化。以下将详细介绍多源动态抑郁症知识图谱的构建过程。

2.1 结构化数据信息抽取

2.1.1 抑郁症本体构建

本文采用自上而下的方法构建抑郁症知识图谱。抑郁症作为特定的医学领域，其知识库中存储的信息必须可靠准确，因此，从《国际疾病与分类第11版》（ICD‒11）^[23]等权威数据库中归纳出抑郁症的核心概念及属性，进而搭建以疾病、药物、症状、非药物治疗方法4大类为核心的抑郁症本体。同时，结合抑郁症研究领域的特点，在领域专家的指导下对抑郁症核心类的层级结构进行适配优化，进一步扩展概念及其属性，为抑郁症医疗知识图谱奠定基础。抑郁症本体概念结构如附录A图A1所示，附录A图A1展示了每个概念包含的部分实例。

1）疾病知识：抑郁症疾病类存储抑郁症疾病的细致分类，是抑郁症知识图谱本体的核心类。核心类“疾病”知识概念提取自ICD‒11^[24]等医疗指南，包含6个二级概念。

2）药物知识：来源于医疗指南与药物数据库。本文参考了国内外多个抑郁症医学指南（如美国抑郁症指南、抑郁症基层诊疗指南（实践版·2021）^[25]、《精神障碍诊断与统计手册（第五版）》（DSM‒5）^[26]等），根据药物的药理作用机制、化学结构和临床应用，将药物分为10大类。其中：“三环类抗抑郁药（TCAs）”抑制去甲肾上腺素和5‒羟色胺再摄取^[27]；“四环类抗抑郁药（TeCAs）”作用机制类似于TCAs，但副作用较少^[28]。

3）症状知识：基于ICD‒11^[23]、DSM‒5^[26]和其他相关权威医学文献，将症状分为5类。其中：“情感症状”类涉及情绪和情感状态的改变；“认知症状”类涉及思维过程和认知功能的改变。

4）非药物治疗方法：主要来自《2010版美国抑郁症治疗指南要点介绍》^[29]、《中国抑郁障碍防治指南（第二版）》^[30]等多个医疗指南。结合专家建议，将非药物治疗分为“心理治疗”“物理治疗”“生活方式/自我管理”“补充与替代疗法”4大类。

经过以上分析和研究，本文构建的抑郁症本体模型围绕“疾病”“药物”“症状”“非药物治疗方法”4个中心概念扩展为三级结构，共包含4个一级概念和25个二级概念，这些概念共同构成了抑郁症本体模型的核心类结构。

2.1.2 抑郁症关系设计

对于本体之间的关系定义，医学知识图谱中的关系设计通常围绕诊疗、科研等核心需求展开，如DrugBank^[31]强调药物‒靶点关系，SNOMED CT^[8]注重临床术语标准化，而实际应用中需要根据抑郁症场景侧重特定关系。因此，本文基于医学知识库和医学指南的关系模型，结合抑郁症的特性细化关系，提出了层级关系、关联关系、病因与风险、诊断与临床表现、治疗与干预、药物与分子作用、病程与并发症7大类关系及35种二级关系，具体见附录A第2节。

特别地，在药物与分子作用关系类中，药物‒药物相互作用是指同时使用多种药物时，其中一种药物的活性可能因其他药物的存在而改变，导致疗效增强、减弱或出现不良反应^[32]。与现有抑郁症知识图谱只考虑以疾病为主体的关系不同，本文针对抗抑郁药的作用机制，选择药效学相互作用的“协同作用”与“拮抗作用”，以及药代动力学相互作用的“吸收相互作用”“代谢相互作用”“排泄相互作用”作为药物的相互作用关系^[33]。同时，参考Drugbank^[31]和Drugs^[34]等医学权威数据库的最新药物相互作用的描述，将药物相互作用的严重程度分为“重大”“中度”“轻微”“未知”4类。抑郁症知识图谱涵盖的药物相互作用类型和机制，有助于药物研发与精准医疗，避免不良反应，提高治疗效果。

通过抑郁症本体构建与领域适配性改造，最终确立的图谱模式包含疾病、药物、症状、非药物治疗4个核心类，涵盖25个从核心类中细化的二级概念等关键维度，以及35个多级关系类型。基于此框架形成完整的抑郁症知识表达体系。这种分层机制既保留了知识图谱的系统性优势，又确保了知识架构与抑郁症研究需求的高度契合。

2.1.3 抑郁症知识库构建

首先，为抑郁症知识图谱收集原始数据并构建抑郁症知识库，基于抑郁症知识本体获取每个概念的相关词库，形成实体级别的抑郁症重要术语。本文采用基于模板和规则的方式从第2.1.1节描述的数据中提取实体及其属性，并将提取的抑郁症疾病、药物、症状、非药物治疗4大类结构化知识整理成抑郁症知识库，其中涵盖多个抑郁症医学指南和其他网络资源的抑郁症重要概念。其次，邀请专家对抑郁症知识库的知识进行校对与评估，同时本文分类体系也得到了具有精神和生理方面医学背景的医生的审阅与认可。

2.2 非结构化数据信息抽取

2.2.1 MeSH文献检索

医学文献是最先进的生物医学资料，是最新抑郁症信息的主要依据。因此，本文以PubMed^[35]医学文献数据库作为非结构化数据的主要来源，如附录A图A2使用医学主题词（medical subject headings，MeSH）^[36]索引系统过滤不相关文献，提高文献搜索准确性。以时间切片方式逐年存储文献信息，最终从PubMed网站检索获得2019—2025年总共31 674篇抑郁症相关文献摘要，并保存文献文章编号PMID等信息。通过MeSH文献检索策略实现跨数据库的医学术语标准化，通过层级控制实现全面文献检索，这些文献反映了抑郁症研究领域的最新知识。

2.2.2 实体识别

获取非结构化抑郁症数据后，利用美国国家生物技术信息中心（National Center for Biotechnology Information，NCBI）开发的支持基因、疾病、化学物质等关键生物概念的语义及关联性搜索的PubTator 3.0^[37]，提取抑郁症相关论文摘要中的生物概念实体。输出数据中包括文献的PMID、实体起始与结束位置、实体名、实体类型及MeSH代码，相较于通用实体识别，过滤了不相关实体，只保留抑郁症相关医学实体，使知识图谱中的实体更专注于抑郁症方面，并能通过实体的MeSH代码进行溯源，表1为实体识别结果示例。

2.3 医学文献关系抽取

在关系三元组抽取初期尝试使用LLM抽取，但使用过程中发现LLM提取的三元组存在不完整、不准确、主题无关等问题^[38]，如：一些从疑问句中提取出的三元组往往不是事实三元组，导致知识图谱质量受到影响。因此，本文采用抑郁症知识库和Drugbank^[31]药物知识进行预训练，引入关系类型推理思维链数据和校对后的3种形式的三元组关系抽取数据集对LLM进行微调，构建了一个可以对上文定义的抑郁症本体多级关系类型进行高效抽取的轻量llama模型。

2.3.1 预训练数据构建

为提升模型对抑郁症疾病、药物等知识的理解能力，本文基于抑郁症知识库构建了高质量的预训练数据集。具体而言，提取了DrugBank数据库中最新药物相互作用数据，涵盖药物‒药物相互作用及药物‒蛋白质靶点信息，每条数据对应一段独立文本或具体的药物交互记录。结合已有的抑郁症疾病、药物、症状及非药物治疗领域知识，提升模型在抑郁症场景下的理解和推理能力。最终得到共2 885 914条包含抑郁症领域相关知识的预训练数据，为后续抑郁症医学文本理解和推理提供坚实的数据基础。

2.3.2 CoT数据集构建

为了提升模型在关系抽取任务上的表现，本文为每种关系类型的抽取过程生成推理链。在设计CoT^[39]模式时，需要考虑数据集的质量和连贯性，以确保模型能够学习合理的推理过程^[40]。据此，本文对推理过程进行逻辑分层设计，即CoT严格遵循事实提取→背景知识引入→逻辑推导→结论的链条，各步骤之间具有逻辑上的前后依赖关系，避免跳跃式推理，确保每条抑郁症关系抽取CoT能够帮助模型理解从输入到输出的逻辑路径。

表2展示了抑郁症关系抽取推理思维链示例。其中，事实提取层严格基于文本提取实体对，确保实体类型和顺序符合抑郁症本体关系定义。背景知识层引用权威医学资源补充相关背景知识，帮助模型理解复杂概念或规则，如提供药物作用机制解释（药物作用路径等），确保医学准确性。逻辑推导层排除主观假设，仅基于已知机制和背景知识进行关系推导，如：药物相互作用严重程度分级依据参考现有药物知识库的药物相互作用风险等级及临床指南。结论层得出最终关系类型。

首先，利用DeepSeek根据分层推理逻辑对每种抑郁症关系类型进行推理解析，使用零样本思维链（Zero‒Shot‒CoT）^[41]为每种关系类型的抽取过程生成推理链，通过模板加规则半自动生成初步CoT，再由人工审查补充修改，确保其符合逻辑。其次，除了正向逻辑思维链，本文还通过负样本策略构造了错误或干扰性的CoT示例，通过分类错误或方向性错误（如颠倒治疗关系）强化模型辨别力，正负逻辑的对比学习能够帮助模型理解推理的正确路径。

在模型微调过程中引入抑郁症关系抽取CoT数据，在微调阶段模型通过思维链学习逐步完成抑郁症关系抽取，进一步提升模型能力。在实验中使用小批量数据集微调后验证模型在新任务上的表现，基于模型误判的类型调整CoT模式，并添加针对性案例补充数据集。将CoT与微调结合，有效提升模型在抑郁症关系抽取任务上的表现。

2.3.3 微调数据集构建

为了构建准确且高质量的抑郁症知识图谱，本文为相关实体分配特定的关系类型。采用生成式关系抽取方法，根据原有文献的摘要数据及实体信息，利用LLM生成所有相关实体的对应关系作为原始关系三元组，通过专家校对过滤获得正确的关系三元组。将摘要数据作为上下文输入，并将实体信息融入模型输入，增强模型对实体的感知能力，提高模型响应的事实性和可验证性。

在实际应用中，关系抽取的最终目标是根据定义的抑郁症本体关系类型提取文献中的关系三元组，因此模型需要支持多重关系预测。当head_entity和tail_entity之间存在多种关系时，可以使模型同时预测多种关系，提升可解释性。因此，基于正确的关系三元组生成了3种类型的关系抽取数据集。为了确保数据的多样性和均衡性，在数据构建过程中采用分层抽样与数据增强方法，以保持各类关系类型在训练集和测试集中的分布一致性。

1）三元组抽取（triple extraction）：采用三元组抽取方法识别结构化关系，预测（head、relation、tail）形式的三元组。具体而言，对于每个三元组，提取实体1（head）、关系（relation）和实体2（tail），并将其格式化为“head| relation| tail”标准结构，便于模型学习和推理。

2）关系抽取（relation extraction）^[42]：在已知头实体和尾实体的前提下，采用基于上下文的预测方法推断两者之间的关系。

3）多重关系抽取（multi‒relation extraction）：针对可能存在的多重关系，本文提供包含多个实体的输入，使模型预测所有可能的关系。

基于前面定义的抑郁症本体关系类型及其语义注释，本文还构造了一套Prompt，使大模型能够更好地理解每种关系类型的语义，具体见附录B第1节。由此，本文基于不同数据源的抑郁症信息，以抑郁症本体为中心对异构数据进行整合，并构建大规模、高质量的抑郁症关系抽取数据集。同时，使用Llama‒3.1‒8B‒Instruct^[43]模型训练，提升其在抑郁症等医学领域关系抽取任务中的表现，并在两个未见关系抽取任务上验证其泛化能力。具体实验设置将在第4.1.3节详细介绍。

2.4 知识图谱动态更新

为了构建动态抑郁症知识图谱，本文构建抑郁症关系三元组生成与自动更新机制，涵盖从PubMed文献数据获取到最终三元组生成过程，具体如附录A算法1所示。

在动态更新阶段，算法每隔一定检查间隔基于E‒Utilities^[44]增量抓取文献，使用“Depressive Disorder[Mesh]”等MeSH过滤检索，获取最新抑郁症疾病、药物等相关文献的PMID与摘要信息。在检查到更新的情况下（即附录A算法1中new_data非空），通过PubTator识别医学实体并提取结构化的医学实体信息。调用微调后模型进行关系抽取，获取抑郁症医学三元组；进行实体对齐与实体消歧，通过查找实体聚类映射列表加快处理速度；翻译三元组，并对中文三元组进行去重；通过数据精炼对三元组进行过滤与修正，过滤不符合条件的三元组，如低置信度的关系三元组。

2.4.1 数据融合

本文分别从结构化数据和非结构化文献数据中提取大量的三元组。由于数据来源与组织结构不同，数据之间有冗余和冲突的潜在风险。数据融合的主要问题在于实体的多样性和模糊性^[45]。实体多样性指同一实体在文本中有不同的指代，而实体模糊性则指同一实体在不同上下文中可能指代不同实体。为了确保知识图谱的质量，本文分两步完成数据融合，即实体对齐和实体消歧。

实体对齐解决同一实体有多个实体名称的问题，如MDD与Major depressive disorder都表示重度抑郁症^[46]。实体消歧^[47]解决文献中缩写等引起的歧义问题，如：缩写“MD”既可以表示重度抑郁症（Major Depression），也可以表示医学博士（Doctor of Medicine）。

因此，本文按照实体类型分组，通过轻量级的语言模型all‒MiniLM‒L6‒v2^[48]对实体名称进行embedding，基于语义相似度对实体进行聚类。为了不影响知识图谱的正确性，将相似度阈值设置得较高，只聚类提取高度相似的实体。将提取出的表述相似的实体存储，并筛选最高频率的实体作为主实体，对于频率相同的实体通过首字母大写、包含医学术语、最长实体等策略优先选择。主实体将被作为相似实体的首选名称，实体的原本名称作为实体的属性。

为了使构建的抑郁症知识图谱以中文为基础，首先通过Google翻译获得中文关系三元组。由于三元组大多数来源于英文文献语料，必然会出现语义重复的中文三元组，因此需要对中文三元组进行数据去重。对（头实体、头实体类型、关系类型、尾实体、尾实体类型）相同的三元组去重，存储中文名称相同实体的多个英文名称作为实体属性，同时存储相同三元组不同文献来源的PMID和标题，统计PMID数量作为每个关系三元组的支撑文献数，将其作为权重放在关系边上，从而构建一个带权重的知识图谱。在本文抑郁症知识图谱中，边上的权重越大表明该三元组的可信度越高。

2.4.2 数据精炼

经过信息抽取与数据融合后，得到较为完整的抑郁症知识图谱。为了进一步提高抑郁症知识图谱的质量，对抑郁症知识图谱三元组进行数据精炼，检测和过滤错误三元组，并对可修正的三元组进行错误修正。具体流程如附录A图A3所示，主要包含错误检测和错误修正两个步骤。其中：错误检测包括结构检测、实体关系检测与正确性检测；错误修正包括规则错误修正与LLM修正。

通过以上错误检测机制，实现了从待验证三元组到规范化知识图谱数据的自动化处理，确保基础错误尽早发现，减少不必要的LLM调用，最大限度地保留有效信息。最终得到本文抑郁症知识图谱初始全部三元组，其中，实体数目为23 445，关系三元组数目为69 424，关系种类为35种。

2.4.3 数据存储

知识图谱的数据存储主要采用图数据库方法保存实体、关系及属性。本文通过图数据库Neo4j^[49]实现数据可视化和图查询，Neo4j适用于处理本文构建的语义关系复杂且互相之间联系较多的抑郁症知识图谱。抑郁症知识图谱中，节点代表实体，存储实体的英文名称集合；边代表实体之间的关系，存储每个三元组的支撑文献数量、文献PMID和标题等信息。生物医学研究人员可以使用Neo4j提供的图查询语言Cypher语句^[50]查询抑郁症知识图谱中的实体和关系。在Cypher语句中，变量（如n）用于指代查询所返回的目标节点。例如，输入查询语句“MATCH（n:Disease{name:产后抑郁症}）-[]-() RETURN n”，可以从抑郁症知识图谱中查询名称为“产后抑郁症”的节点，并查看相邻节点信息及其关系。

2.4.4 冲突检测

进一步对增量三元组和原有三元组进行冲突检测与修正，知识融合后系统检测新增三元组与知识图谱中现有三元组的语义冲突（相同实体对出现矛盾关系）。当检测到冲突时，先比较三元组属性（支撑文献数量和更新时间戳），优先选择被更多文献支持的三元组；当文献数量相同时，选择更新时间戳（last_update）最新的结论；若上述属性均相同，则调用大语言模型（GPT‒4o），基于PMID摘要内容评估证据可靠性。冲突解决后，被采纳的三元组更新时间戳，形成动态演化的证据体系。该策略在保证时效性的同时，通过多源证据累积提升知识可信度。最后将生成的最终三元组导入Neo4j图数据库完成增量更新。在处理大规模数据时需要考虑性能和存储问题，如存储并更新文献元数据（PMID、标题、摘要）避免重复下载文献数据。每次更新按照日期生成文件夹，通过增量式写入策略，实时保存处理结果至中间文件，并通过日志记录实现数据持久化存储，确保大规模数据处理的容错性。

通过上述流程，本文构建的动态抑郁症知识图谱以疾病、药物、症状、非药物治疗4大类事实知识为中心，涵盖多个抑郁症指南等资源的重要概念。通过结构化与非结构化数据协同处理，结合本体驱动的知识融合，实现了高质量抑郁症知识图谱的构建与动态更新。在保证数据准确性的同时，为临床决策支持系统提供可靠的知识基础。

3 实验设置

3.1 实验设计

为了验证关系抽取模型在各个维度上的性能，本文评估模型相较于基线模型的微调效果，同时考察其在小样本学习（few‒shot）场景中的表现，并通过训练数据在其他模型上的有效性分析其在未见数据集上的结果，评估模型的泛化能力。此外，对比各模型关系抽取任务的推理耗时，并对模型的各模块进行消融实验。实验设置见附录B第1节。

3.2 数据集

本实验采用DDI（drug‒drug interaction）^[51]数据集，该数据集基于PubMed摘要和DrugBank知识库构建，是药物相互作用关系抽取的基准数据集，旨在从医学文献中识别药物对之间的相互作用关系类型（如advise、effect等）。为聚焦有效的药物相互作用，本文在预处理阶段移除了1 094例（占比为21.39%）标注为“None”的无关系类别样本。

ChemProt（chemical‒protein interaction）^[52]数据集基于PubMed文献和CTD知识库标注，旨在从科学文献摘要中抽取化学物质（药物/化合物）与蛋白质（基因/靶点）之间的相互作用关系，被广泛应用于药物发现、医学关系抽取等研究。

同时，本文从关系抽取任务的测试集中提取了5 000条通过模型评分与专家校对的高质量数据，分为训练集与测试集。由于本文的最终任务是根据定义的抑郁症本体关系类型，提取抑郁症相关文献中的关系三元组，因此还需要通过本文构造的关系抽取（RE）数据集对关系抽取实验进行评估。

3.3 基线模型

医疗领域已经开发了各种LLM并在特定数据集上完成评估，GPT‒4o等通用大模型在医学领域也表现出强大的性能。然而，不同模型在不同医学任务上存在性能差异，强调了根据特定应用选择模型的必要性。因此，本文将医学预训练语言模型、针对医学微调的轻量大模型和通用大模型进行对比，评估各模型在关系抽取任务上的性能。

1）医学预训练语言模型。PubMedBERT^[16]是基于BERT架构的医学领域自适应预训练模型，通过在大规模文献摘要和临床笔记上进行二次预训练，显著提升医学关系抽取任务性能；GatorTron^[53]是由佛罗里达大学开发的电子病历大模型，基于Megatron‒LM架构^[54]，使用了89亿参数和来自电子健康记录的超过900亿token的文本数据，其主要目的是改进临床自然语言处理任务，包括医疗问答、医疗关系提取等。

2）针对医学微调的轻量大模型。BioMedGPT‒7 B^[18]是基于LLaMA‒2的生成式预训练模型，混合医学文献和通用语料微调，在复杂医学关系理解上表现突出；BioMistral‒7 B^[19]是基于Mistral‒7 B微调的医学领域大模型，专注于提升临床文本理解和生成能力，在临床决策场景表现优异；OpenBioLLM‒8 B^[55]是社区驱动的开源生物医学LLM，基于LLaMA‒3在200 B token生物医学文献和临床指南上微调，支持多语言生物医学文本生成，适用于大规模医学知识图谱构建。

3）通用大模型。Mistral‒Large 2.1^[56]是Mistral AI最新发布的通用大模型，参数规模70 B，在长上下文医疗文本处理中表现突出；GPT‒4o是OpenAI的多模态通用大模型，零样本学习能力强，但存在幻觉风险，需通过prompt工程优化医学关系抽取；DeepSeek‒R1^[40]是DeepSeek公司开发的340 B参数通用模型，采用强化学习优化知识推理，支持中文/英文双语医学关系解析。

4 实验分析

4.1 模型微调性能

本文对比了多个医学预训练语言模型、医学大模型在RE数据集、ChemProt数据集及DDI数据集上的表现。表3显示了各医疗模型关系抽取性能的准确性（Acc）和F1值。从表3来看，本文所提方法在所有数据集上均取得了最优性能，在RE数据集上表现尤为突出，对比现有模型有明显提升。

由表3分析可知，PubMedBERT和GatorTron‒S模型在ChemProt和DDI数据集上的表现相对较好，但在RE数据集上表现一般，这主要受输入长度限制。PubMedBERT模型的输入长度通常限制为512 token，在长文本关系抽取任务中受限明显，尤其是本文构建的RE数据集使用Instruction Prompt后输入长度更长。而BERT结构在长文本建模上的能力较弱，因此在短文本的数据集（如ChemProt）上适应性较好，但在涉及较长上下文任务时整体表现不如其他更大模型。相比之下，BioMistral‒7 B等医学大模型具有更长的上下文窗口，可以更好地捕捉论文摘要中的复杂关系信息。同时，通过大规模的Instruction‒Tuning和更强的推理能力，在关系抽取任务中的表现优于传统医学PLM。其中，Llama‒3.1‒8 B‒Instruct在多个数据集上的表现均较为稳定。

由表3还可知，本文提出的模型在3个基准数据集上均取得最优性能，证明该模型对领域适配的有效性。本文模型在ChemProt与DDI数据集上的准确率分别达到95.20%和91.42%，在DDI数据集上的F1值高于其他模型1.41%～4.41%；对比基础模型Llama‒3.1‒8 B‒Instruct，本文模型F1值在RE数据集上提升了11.33%。这表明本文方法不仅在RE数据集上表现出色，在更具挑战性的医学化学相互作用（ChemProt）和药物相互作用（DDI）任务上也表现良好，验证了方法的领域泛化能力。

4.2 小样本学习性能

为了分析模型在小样本场景中的性能，本文从各数据集的训练集中随机选取不同关系类型样本，模型基于小样本进行上下文学习。由于模型具有2 048 token上下文窗口，本文在RE数据集和ChemProt数据集的Instruction Prompt中分别添加了5个示例，构造了RE‒5‒shot数据集和ChemProt‒5‒shot数据集。对于小样本（5‒shot）关系抽取任务，本文评估多个通用大模型在两个数据集上的表现，每个大模型运行3次后取均值，并与本文方法进行对比，结果见表4。实验结果表明，本文方法在两个数据集上的表现均显著优于其他模型，展示了更强的泛化能力和关系抽取能力。

由表4分析可知，在小样本学习场景下，大规模通用模型（如GPT‒4o、DeepSeek）在RE‒5‒shot和ChemProt‒5‒shot数据集上的表现均不及本文模型。相比GPT‒4o等模型，本文模型在RE‒5‒shot数据集上准确率提升了13.7%～21.5%。在ChemProt‒5‒hot数据集上，本文模型的F1值较其他模型提升了11.58%～16.48%。这表明微调后的模型能够更精准地识别本文定义的生物医学关系类型。

附录B图B2显示了小样本学习的模型规模和性能及各模型的性能差异。实验结果表明，并非参数量越大，小样本性能就越强。对于特定领域任务，参数量更小但经过针对性优化的模型，比通用大模型更有效适配小样本学习。本文方法采用更适配生物医学文本的知识增强策略，在仅有5‒shot训练数据的情况下，也能高效学习不同关系类型，在计算成本更低的情况下取得更优性能，证明了领域微调对提升生物医学小样本关系抽取任务的性能至关重要。

4.3 消融实验

为了评估不同训练模块对关系抽取模型的影响，本文在RE、Chemprot和DDI 3个基准数据集上开展消融实验，采用准确率和F1值进行评估。通过依次去除关键组件（包括预训练（pre-training，PT）、对比学习（CoT）和结构化微调（supervised fine-tuning，SFT）），分析其对模型性能的贡献，实验结果见表5。

由表5可知，本文模型所有结果都优于未经任何领域特定适配的基线模型Llama3.1‒8 B‒Instruct，验证了领域适配策略的有效性。去除PT后，模型在所有数据集上性能均下降，表明预训练对模型至关重要。融合抑郁症知识库和DrugBank最新药物相互作用数据，能够显著提升模型的泛化性能。去除CoT后，模型在各数据集上的结果都有所下降，表明对比学习数据能帮助模型学习不同关系类型的推理策略。去除SFT后，模型没有对多关系类型进行有监督微调，因此在RE数据集上F1值下降了9.14%，说明SFT在关系抽取任务中起关键作用。

消融实验表明：预训练、对比学习和结构化微调对提升关系抽取的性能至关重要。特定领域的预训练能够提高模型准确率；对比学习能够增强模型推理能力；结构化微调能够提升模型在关系抽取任务中的适用性。这些发现为优化医学和药学领域的关系抽取模型提供了重要参考。

此外，本文通过辅助实验验证了模型的有效性，包括训练数据性能实验、推理耗时性能实验及案例分析，见附录B第2～4节。

4.4 知识图谱整体评估

知识图谱整体质量评估是知识图谱构建过程中必不可少的环节。由于没有标准答案，专家评估成本较高，因此本文采用人工抽样检查法对抑郁症知识图谱进行准确性评估，由领域专家对知识图谱中实体、实体属性及实体间关系的准确性进行抽样评估，该方法在应用中较为可靠。

首先，随机抽取分布在不同关系类型中的500个三元组，这些样本可以反映整个抑郁症知识图谱的三元组分布。其次，将这些三元组分别交给两个专家标注者独立检测，若三元组正确则标注TRUE，反之则标注FALSE。最后，根据专家标注者的标注结果评估样本的准确性，进一步估计整个抑郁症知识图谱的准确性，结果如表6所示。

同时，本文采用Jaccard一致性分数^[57]衡量重复标注之间的一致性，以此进一步评估知识图谱的质量。给定两个集合A、B，Jaccard系数定义为A与B交集的大小与A与B并集的大小的比值。φ的定义为空集。Jaccard相似度（记为J）的计算方法如式（1）所示，可以通过计算标注一致和不一致的数量得出。

J(A,B)=\frac{A\bigcap B}{A\bigcup B},A\ne \phi \vee B\ne \phi（1）

由表6可知，在知识图谱整体评估中，领域专家评估准确率为92.1%。同时，通过计算准确率和Jaccard相似度，可得到更全面的知识图谱准确性信息，证明本文构建的抑郁症知识图谱的高质量。得益于ICD‒11精神与行为障碍分类系统等专业资料的可靠性、临床实用性和全球应用性，本文构造的抑郁症本体有助于专业人员更好地辨识以前可能未被诊断和治疗的抑郁症相关疾病，为基层抑郁症诊疗提供坚实的知识支撑。

5 结 论

本文提出了基于多源异构数据融合的动态抑郁症知识图谱构建方法，通过本体建模构建了涵盖抑郁症疾病、药物、症状、非药物治疗等信息的动态抑郁症知识图谱，从非结构化文献中提取细粒度语义关系，并通过动态更新机制实时整合新数据。同时，为提升模型的关系抽取能力，本文提出了微调增强的关系抽取模型。实验结果表明，该模型在基准医学关系抽取数据集上取得最优性能，具备良好的领域适应性和泛化能力。本文通过融合多源异构数据，为精神疾病知识管理提供了可扩展的动态支撑，并为抑郁症诊疗系统的开发奠定了理论基础。

未来工作将致力于抑郁症知识图谱的诊疗应用，如构建基于知识图谱的抑郁症问答系统，将抑郁症知识图谱作为外部知识库与LLM结合，通过检索增强生成减少模型幻觉，进一步提高抑郁症知识图谱问答系统的性能，帮助基层医生做出更准确的诊断，并为抑郁症患者提供个性化的诊疗建议。

附录见本刊网络版，扫描标题旁的二维码可阅读网络全文。

参考文献

[1] Herrman H, Patel V, Kieling C,et al.Time for united action on depression:A Lancet‒World Psychiatric Association Commission[J].The Lancet,2022,399(10328):957‒1022. doi:10.1016/s0140-6736(21)02141-3

[2] Evans‒Lacko S, Aguilar‒Gaxiola S, Al‒Hamzawi A,et al.Socio-economic variations in the mental health treatment gap for people with anxiety,mood,and substance use disorders:Results from the WHO World Mental Health(WMH) surveys[J].Psychological Medicine,2018,48(9):1560‒1571. doi:10.1017/s0033291717003336

[3] Santomauro D F, Mantilla Herrera A M, Shadid J,et al.Global prevalence and burden of depressive and anxiety disorders in 204 countries and territories in 2020 due to the COVID-19 pandemic[J].The Lancet,2021,398(10312):1700‒1712. doi:10.1016/s0140-6736(21)02143-7

[4] Wang Gang, Feng Yuan, Liu Jin,et al.Proposal for the 2024 Chinese guideline for diagnosis and treatment of depressive disorders[J].Chinese Journal of Psychiatry,2023,56(6):407‒412.

[5] 王刚,冯媛,柳进,等.《中国抑郁障碍防治指南》(2024年版)计划书[J].中华精神科杂志,2023,56(6):407‒412.

[6] Zhou Sijin, Dai Xinyi, Chen Haokun,et al.Interactive recommender system via knowledge graph-enhanced reinforcement learning[C]//Proceedings of the 43rd International ACM SIGIR Conference on Research and Development in Information Retrieval.China:ACM,2020:179‒188. doi:10.1145/3397271.3401174

[7] Kan Xuan, Cui Hejie, Yang C.Zero-shot scene graph relation prediction through commonsense knowledge integration[C]//Machine Learning and Knowledge Discovery in Databases.Cham:Springer,2021:466‒482. doi:10.1007/978-3-030-86520-7_29

[8] Devlin J, Chang Mingwei, Lee K,et al.BERT:Pre-training of deep bidirectional transformers for language understanding[C]//Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics:Human Language Technologies,Volume 1(Long and Short Papers).Minneapolis:ACL,2019:4171‒4186. doi:10.18653/v1/n19-1423

[9] Donnelly K.SNOMED CT:The advanced terminology and coding system for eHealth[J].Studies in Health Technology and Informatics,2006,121:279‒290.

[10] Mehta N, Pandit A.Concurrence of big data analytics and healthcare:A systematic review[J].International Journal of Medical Informatics,2018,114:57‒65. doi:10.1016/j.ijmedinf.2018.03.013

[11] Huang Zhisheng, Yang Jie, van Harmelen F,et al.Constructing knowledge graphs of depression[C]//Health Information Science.Cham:Springer,2017:149‒161. doi:10.1007/978-3-319-69182-4_16

[12] Jung H, Park H A, Song T M.Ontology-based approach to social data sentiment analysis:Detection of adolescent depression signals[J].Journal of Medical Internet Research,2017,19(7):e259. doi:10.2196/jmir.7452

[13] Qiu Hong, Gu Wenjie, Liu Shuai,et al.Construction of depression knowledge graph based on real-world data[J].Chinese Journal of Health Informatics and Management,2023,20(2):278‒284.

[14] 邱宏,顾文洁,刘帅,等.基于真实世界数据的抑郁症知识图谱构建[J].中国卫生信息管理杂志,2023,20(2):278‒284.

[15] Guo Liyuan, Zhang Weina, Chang Suhua,et al.MK4MDD:A multi-level knowledge base and analysis platform for major depressive disorder[J].PLoS One,2012,7(10):e46335. doi:10.1371/journal.pone.0046335

[16] Zhou Guodong, Su Jian, Zhang Jie,et al.Exploring various knowledge in relation extraction[C]//Proceedings of the 43rd Annual Meeting of the Association for Computational Linguistics(ACL'05).AnnArbor:ACL,2005:427‒434. doi:10.3115/1219840.1219893

[17] Brown T B, Mann B, Ryder N,et al.Language models are few-shot learners[J].Advances in Neural Information Processing Systems,2020,33:1877‒1901.

[18] Gu Yu, Tinn R, Cheng Hao,et al.Domain-specific language model pretraining for biomedical natural language processing[J].ACM Transactions on Computing for Healthcare,2022,3(1):1‒23. doi:10.1145/3458754

[19] Hu Danqing, Liu Bing, Zhu Xiaofeng,et al.Zero-shot information extraction from radiological reports using ChatGPT[J].International Journal of Medical Informatics,2024,183:105321. doi:10.1016/j.ijmedinf.2023.105321

[20] Luo Yizhen, Zhang Jiahuan, Fan Siqi,et al.BioMedGPT:An open multimodal large language model for BioMedicine[J].IEEE Journal of Biomedical and Health Informatics,2026,30(2):981‒992. doi:10.1109/jbhi.2024.3505955

[21] Labrak Y, Bazoge A, Morin E,et al.BioMistral:A collection of open-source pretrained large language models for medical domains[C]//Proceedings of the Findings of the Association for Computational Linguistics:ACL 2024.Stroudsburg:ACL,2024:5848‒5864. doi:10.18653/v1/2024.findings-acl.348

[22] Guo Daya, Yang Dejian, Zhang Haowei,et al.DeepSeek‒R1:Incentivizing reasoning capability in LLMs via reinforcement learning[J].Nature,2025,645(8081):633‒638.

[23] Wang S, Zhao Ruihui, Chen Xi,et al.Enquire one's parent and child before decision:Fully exploit hierarchical structure for self-supervised taxonomy expansion[C]//Proceedings of the Web Conference 2021.Ljubljana:ACM,2021:3291‒3304. doi:10.1145/3442381.3449948

[24] Pujara J, Miao Hui, Getoor L,et al.Knowledge graph identification[C]//The Semantic Web-ISWC 2013.Berlin:Springer,2013:542‒557. doi:10.1007/978-3-642-41335-3_34

[25] Harrison J E, Weber S, Jakob R,et al.ICD‒11:An international classification of diseases for the twenty-first century[J].BMC Medical Informatics and Decision Making,2021,21(6):206. doi:10.1186/s12911-021-01534-6

[26] World Health Organization.Clinical Descriptions and Diagnostic Requirements for ICD‒11 Mental, Behavioural and Neurodevelopmental Disorders[M].Geneva:World Health Organization,2024.

[27] Chinese Medical Association,Journal of Chinese Medical Association,General Practice Branch of Chinese Medical Association,et al.Guideline for primary care of major depressive disorder:Practice version(2021)[J].Chinese Journal of General Practitioners,2021,20(12):1261‒1268. doi:10.3760/cma.j.cn114798-20211020-00779

[28] 中华医学会,中华医学会杂志社,中华医学会全科医学分会,等.抑郁症基层诊疗指南(实践版·2021)[J].中华全科医师杂志,2021,20(12):1261‒1268. doi:10.3760/cma.j.cn114798-20211020-00779

[29] Kocsis R N.Book review:Diagnostic and statistical manual of mental disorders:Fifth edition(DSM-5)[J].International Journal of Offender Therapy and Comparative Criminology,2013,57(12):1546‒1548. doi:10.1177/0306624x13511040

[30] Stahl S M.Stahl's essential psychopharmacology:Neuroscientific basis and practical applications[M].Cambridge:Cambridge University Press,2021. doi:10.1017/9781108975292

[31] Brunton L L, Hilal‒Dandan R, Knollmann B C.Goodman & Gilman's the Pharmacological Basis of Therapeutics[M].13th ed.New York:McGraw Hill Medical,2018.

[32] Zhao Jingping.Introduction to the 2010 edition of American guidelines for the treatment of depression[J].Chinese Journal of Psychiatry,2012,45(3):177‒180. doi:10.3760/cma.j.issn.1006-7884.2012.03.018

[33] 赵靖平.2010版 美国抑郁症治疗指南要点介绍[J].中华精神科杂志,2012,45(3):177‒180. doi:10.3760/cma.j.issn.1006-7884.2012.03.018

[34] Li Lingjiang, Ma Xin.Interpretation of China's guidelines for the prevention and treatment of depression(second edition):Overview[J].Chinese Journal of Psychiatry,2017,50(3):167‒168.

[35] 李凌江,马辛.中国抑郁障碍防治指南(第二版)解读:概述[J].中华精神科杂志,2017,50(3):167‒168.

[36] Knox C, Wilson M, Klinger C M,et al.DrugBank 6.0:The DrugBank knowledgebase for 2024[J].Nucleic Acids Research,2024,52(D1):D1265‒D1275. doi:10.1093/nar/gkad976

[37] Ito K, Iwatsubo T, Kanamitsu S,et al.Prediction of pharmacokinetic alterations caused by drug-drug interactions:Metabolic interaction in the liver[J].Pharmacological Reviews,1998,50(3):387‒411. doi:10.1016/s0031-6997(24)01372-3

[38] Cascorbi I.Drug interactions-principles,examples and clinical consequences[J].Deutsches Arzteblatt International,2012,109(33/34):546‒555.

[39] Drug Interactions Checker[EB/OL].[2024‒07‒28].doi:10.1007/s40278-023-33337-8

[40] Sayers E W, Beck J, Bolton E E,et al.Database resources of the national center for biotechnology information[J].Nucleic Acids Research,2021,49(D1):D10‒D17.

[41] Lu Zhiyong, Kim W, Wilbur W J.Evaluation of query expansion using MeSH in PubMed[J].Information Retrieval,2009,12(1):69‒80. doi:10.1007/s10791-008-9074-8

[42] Wei C H, Kao H Y, Lu Zhiyong.PubTator:A web-based text mining tool for assisting biocuration[J].Nucleic Acids Research,2013,41(W1):W518‒W522. doi:10.1093/nar/gkt441

[43] Cavalleri E, Soto Gomez M, Pashaeibarough A,et al. SPIREX: Improving LLM-based relation extraction from RNA‒focused scientific literature using graph machine learning[C]//Proceedings of Workshops at the 50th International Conference on Very Large Data Bases.Guangzhou:VLDB.org,2024:1‒11.

[44] Bosma M, Chi E, Ichter B,et al.Chain-of-thought prompting elicits reasoning in large language models[C]//Proceedings of the Advances in Neural Information Processing Systems 35.New Orleans:Neural Information Processing Systems Foundation,Inc.(NeurIPS),2022:24824‒24837. doi:10.52202/068431-1800

[45] Kaiser J, Lauscher A, Eichler A.Large language models for human-machine collaborative particle accelerator tuning through natural language[J].Science Advances,2025,11:eadr4173. doi:10.1126/sciadv.adr4173

[46] Gu S S, Iwasawa Y, Kojima T,et al.Large language models are zero-shot reasoners[C]//Proceedings of the Advances in Neural Information Processing Systems 35.New Orleans:Neural Information Processing Systems Foundation,Inc.(NeurIPS),2022:22199‒22213. doi:10.52202/068431-1613

[47] Zhao Xiaoyan, Deng Yang, Yang Min,et al.A comprehensive survey on relation extraction:Recent advances and new frontiers[J].ACM Computing Surveys,2024,56(11):1‒39. doi:10.1145/3674501

[48] Touvron H, Lavril T, Izacard G,et al.LLaMA:Open and efficient foundation language models[EB/OL].[2025‒05‒13].

[49] Mias G.Databases:E-utilities and UCSC genome browser[M]//Mathematica for Bioinformatics:A Wolfram Language Approach to Omics.Cham:Springer International Publishing,2018:133‒170. doi:10.1007/978-3-319-72377-8_4

[50] Yang Bo, Liao Yiming.Research on enterprise risk knowledge graph based on multi-source data fusion[J].Neural Computing and Applications,2022,34(4):2569‒2582. doi:10.1007/s00521-021-05985-w

[51] Fanourakis N, Efthymiou V, Kotzinos D,et al.Knowledge graph embedding methods for entity alignment:Experimental review[J].Data Mining and Knowledge Discovery,2023,37(5):2070‒2137. doi:10.1007/s10618-023-00941-9

[52] Mulang'I O, Singh K, Prabhu C,et al.Evaluating the impact of knowledge graph context on entity disambiguation models[C]//Proceedings of the 29th ACM International Conference on Information & Knowledge Management.Ireland:ACM,2020:2157‒2160. doi:10.1145/3340531.3412159

[53] Wang Wenhui, Wei Furu, Li Dong,et al.MiniLM:Deep self-attention distillation for task-agnostic compression of pre-trained transformers[J].Advances in Neural Information Processing Systems,2020,33:5776‒5788.

[54] Needham M, Hodler A E.Graph Algorithms:Practical Examples in Apache Spark and Neo4j[M].Sebastopol:O'Reilly Media,2019.

[55] Marton J, Szárnyas G, Varró D.Formalising openCypher graph queries in relational algebra[C]//Advances in Databases and Information Systems.Cham:Springer,2017:182‒196. doi:10.1007/978-3-319-66917-5_13

[56] Segura‒Bedmar I, Martínez P, Herrero‒Zazo M.SemEval‒2013 task 9:Extraction of drug‒drug interactions from biomedical texts(DDI extraction 2013)[C]//Second Joint Conference on Lexical and Computational Semantics(*SEM),Volume 2:Proceedings of the Seventh International Workshop on Semantic Evaluation(SemEval 2013).Stroudsbury:ACL,2013:341‒350.

[57] Krallinger M, Rabal O, Akhondi S,et al.Overview of the BioCreative Ⅵ chemical-protein interaction Track[C]//Proceedings of the Sixth Biocreative Challenge Evaluation Workshop.Bethesda:BioCreative/University of Delaware,2017:141‒146.

[58] Yang Xi, Chen Aokun, PourNejatian N,et al.A large language model for electronic health records[J].npj Digital Medicine,2022,5:194. doi:10.1038/s41746-022-00742-2

[59] Narayanan D, Shoeybi M, Casper J,et al.Efficient large-scale language model training on GPU clusters using megatron-LM[C]//Proceedings of the SC21:International Conference for High Performance Computing,Networking,Storage and Analysis.MO:IEEE,2022:1‒14. doi:10.1145/3458817.3476209

[60] Pal M S A, Sankarasubbu M.OpenBioLLMs:Advancing open-source large language models for healthcare and life sciences[EB/OL].[2025‒05‒13].

[61] Borgeaud S, Buchatskaya E, Cai T,et al.Training compute-optimal large language models[C]//Proceedings of the Advances in Neural Information Processing Systems 35.New Orleans:Neural Information Processing Systems Foundation,Inc.(NeurIPS),2022:30016‒30030. doi:10.52202/068431-2176

[62] Levandowsky M, Winter D.Distance between sets[J].Nature,1971,234(5323):34‒35. doi:10.1038/234034a0