| 760 | 2 | 74 |
| 下载次数 | 被引频次 | 阅读次数 |
随着人工智能的兴起与高速发展，深度学习作为人工智能领域中的重要一环已在材料学、生物医学、文学艺术等多方面、多领域取得了大量成果，体现了极高的泛用性与价值。图神经网络(Graph Neural Networks, GNN)作为一种新兴的深度学习方法，克服了以往深度学习只能在欧式数据框架下的缺点，展现出其在处理非欧式复杂数据，尤其是图数据时的强大能力，显示出其巨大的潜力。当前，图神经网络已被较广泛地应用于医疗领域，并初步运用于中医药临床与基础研究，在中医处方推荐、疾病证候诊断、中药靶点预测等方面取得了一定的成果。通过对图神经网络在中医药领域的应用现状进行梳理，结合目前图神经网络技术的特点展望该技术在中医药领域的未来发展，认为图神经网络在临床诊断、处方施治、中药研究、典籍利用等方面具有广阔的应用前景。以期为之后的基于图神经网络的中医药相关研究提供思路与启发，使中医学能够与时俱进，提升智能化与客观化，更好地为人民医疗卫生与祖国健康事业服务。
Abstract：With the rise and rapid development of artificial intelligence, deep learning, as an important part of the field of artificial intelligence, has achieved significant results in various fields such as materials science, biomedicine, literature, and art, demonstrating high versatility and value. As an emerging deep learning method, Graph Neural Network(GNN) overcomes the limitation of traditional deep learning that can only be applied to Euclidean data frameworks, demonstrating its powerful ability to handle non-Euclidean complex data especially graph data, and demonstrating its enormous potential. Currently, GNN has been widely applied in the medical field and has been preliminarily applied in clinical and basic researches of traditional Chinese medicine. They have achieved certain results in traditional Chinese medicine prescription recommendation, symptom diagnosis and target prediction of traditional Chinese medicine. By reviewing the current application status of GNN in the field of traditional Chinese medicine and combining the characteristics of current GNN technology, it looks forward to the future development of this technology in the field of traditional Chinese medicine. It is believed that GNN has broad application prospects in clinical diagnosis, prescription treatment, traditional Chinese medicine research and utilization of classics. It is to provide ideas and inspiration for future research on Traditional Chinese Medicine based on graph neural networks so that traditional Chinese medicine can keep pace with the times, enhance intelligence and objectivity, and better serve the people's medical and health care and health cause of the motherland.
[1] SIMONYAN K,ZISSERMAN A.Very deep convolutional net-works for large-scale image recognition[J].ArXiv Preprint ArXiv,2014,2014:1556.
[2] GOLDBERG Y.A primer on neural network models for natural language processing[J].Jair,2016,57:345-420.
[3] YING R,HE R N,CHEN K F,et al.Graph convolutional neural networks for web-scale recommender systems[C]//Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery&Data Mining.London:ACM,2018:974-983.
[4] 孙志远，鲁成祥，史忠植，等.深度学习研究与进展[J].计算机科学，2016,43(2):1-8.
[5] GU J X,WANG Z H,KUEN J,et al.Recent advances in convolutional neural networks[J].Pattern Recognit,2018,77:354-377.
[6] MEDSKER L R,JAIN L C.Recurrent neural networks[J].Design and Applications,2001,5:64-67.
[7] GOODFELLOW I,POUGET-ABADIE J,MIRZA M,et al.Generative adversarial networks[J].Commun ACM,2020,63(11):139-144.
[8] 侯磊，刘金环，于旭，等.图神经网络研究综述[J].计算机科学，2024,51(6):282-298.
[9] GORI M,MONFARDINI G,SCARSELLI F.A new model for learning in graph domains[C]//Proceedings of 2005 IEEE International Joint Conference on Neural Networks.Montreal,QC:IEEE,2005:729-734.
[10] SCARSELLI F,GORI M,TSOI AC,et al.The graph neural network model[J].IEEE Trans Neural Netw,2009,20(1):61-80.
[11] BRUNA J,ZAREMBA W,SZLAM A,et al.Spectral networks and locally connected networks on graphs[C].Banff:Proceedings of the 2nd International Conferenceon Learning Representations,2014.
[12] VELICKOVIC P,CUCURULL G,CASANOVA A,et al.Graph attention networks[C].Vancouver:In Proceedings of 6th International Conference on Learning Representations,2018:1-12.
[13] LI C,WELLING M,ZHU J,et al.Graphical generative adversarial networks[C].Montreal:Proceeding of the 32nd Conference on Neu-ral Information Processing Systems,2018:6072-6083.
[14] LI Y,TARLOW D,BROCKSCHMIDT M,et al.Gated graph sequence neural networks[J].arXiv preprint arXiv:2015,2015:1511.
[15] 国务院办公厅关于印发中医药振兴发展重大工程实施方案的通知 [EB/OL].(2023-02-28) [2024-04-28].https://www.gov.cn/zhengce/zhengceku/2023-02/28/content_5743680.htm.
[16] 国务院关于印发新一代人工智能发展规划的通知[EB/OL].(2017-07-20) [2024-04-28].https://www.gov.cn/zhengce/content/2017-07/20/content_5211996.htm.
[17] 杨涛，朱学芳.中医辨证智能化研究现状及发展趋势[J].南京中医药大学学报，2021,37(4):597-601.
[18] 高婉卿，程宁，李力松，等.机器学习在方剂研究中的应用概述[J].中国中医药信息杂志，2021,28(6):131-137.
[19] 梁吉，韩名媛，王承斌，等.机器学习与针灸学领域结合的研究进展[J].针刺研究，2021,46(6):460-463.
[20] 杨杰，牛欣，徐元景，等.中医诊断信息数字化发展[J].中医药学刊，2006,24(5):810-812.
[21] 郭振球.中医辨证学与人工智能[J].中医药信息，1986,3(5):6-8.
[22] 魏善初，曹树元，朱祝生.试论中医现代化的三项具体内容[J].上海中医药杂志，1981,15(6):27.
[23] 佘楷杰，袁艿君，马庆宇，等.机器学习驱动中医诊断智能化的发展现状、问题及解决路径[J].中国中医基础医学杂志，2024,30(3):398-406.
[24] 张姣，邵立江，乔琛，等.深度学习在医学影像研究中的应用[J].数学建模及其应用，2023,12(3):15-32.
[25] 李恒信.基于图神经网络的医学图像诊断分析[D].成都：电子科技大学，2023.
[26] 丁峻鹏.基于图神经网络的眼底医学影像多标签病征分类模型的研究与实现[D].北京：北京邮电大学，2023.
[27] 杭州电子科技大学.一种基于人工智能的舌诊图像识别方法：CN202110302081.0[P].2021-07-16.
[28] 海南榕树家信息科技有限公司.一种基于医学图像分割的中医舌像智能辨治方法及系统：CN202210780260.X[P].2024-05-03.
[29] 盛瑜.基于卷积神经网络的寻常痤疮中医证型诊断模型与红外热成像影响因素研究[D].成都：成都中医药大学，2023.
[30] 曹紫嫣.基于卷积神经网络的高血压病肝火亢盛证面部图像诊断模型研究[D].北京：中国中医科学院，2022.
[31] MENG Y,WU W,WANG F,et al.Glyce:Glyph-vectors for chinese character representations[J].Advances in Neural Information Processing Systems,2019,32(4):8-12.
[32] 余浩.面向医疗领域的中文分词研究[D].大连：大连理工大学，2022.
[33] 平安科技(深圳)有限公司.中医术语识别方法、装置、设备及存储介质：CN202310622149.2[P].2023-5-30.
[34] LIU Z,PENG E,YAN S,et al.T-Know:a knowledge graph-based question answering and information retrieval system for Traditional Chinese Medicine[C].Santa Fe :In Proceedings of the 27th International Conference on Computational Linguistics,System Demonstrations,2018:15-19.
[35] MIAO F,WANG X T,ZHANG P,et al.Question-answering system based on the knowledge graph of traditional Chinese medicine[C]//2019 11th International Conference on Intelligent Human-Machine Systems and Cybernetics(IHMSC).Hangzhou:IEEE,2019:264-267.
[36] ZOU Y,HE Y,LIU Y.Research and implementation of intelligent question answering system based on knowledge Graph of traditional Chinese medicine[C]//2020 39th Chinese Control Conference(CCC).Shenyang:IEEE,2020:4266-4272.
[37] 吕颖.面向中医问答的知识图谱构建及问题表示算法研究[D].北京：北京交通大学，2020.
[38] 杨世刚.基于循环神经网络的中医问答模型研究[D].成都：电子科技大学，2023.
[39] 李杨辉.基于知识指导的智能问诊研究与实现[D].广州：华南理工大学，2021.
[40] 李明欢.中医领域知识驱动的智能辅助诊断方法[D].广州：华南理工大学，2023.
[41] 李冀.方剂学[M].2版.北京：中国中医药出版社，2016:1.
[42] 李书晨.基于知识图谱的中药药方推荐方法研究与实现[D].南京：东南大学，2022.
[43] 周开元.基于图神经网络的中医处方对话推荐[D].广州：广州大学，2023.
[44] 耿佳豪.基于深度学习的中医智能处方的研究与应用[D].哈尔滨：黑龙江大学，2024.
[45] 饶玉龙.基于图神经网络多层信息融合以及知识驱动的中医处方推荐算法研究[D].昆明：云南大学，2022.
[46] 陈燕.基于图神经网络与知识图谱的诊疗规则挖掘与智能推荐的研究[D].南京：南京中医药大学，2022.
[47] 徐文萱.基于知识图谱的中医智能诊疗方法研究[D].洛阳：河南科技大学，2023.
[48] 张舒菡.基于图表示学习的中医处方推荐方法研究[D].北京：北京交通大学，2023.
[49] 靳远远.基于图神经网络的中医药方推荐技术研究[D].上海：华东师范大学，2022.
[50] 黄佳胤.融合证候信息的中医药方推荐技术[D].上海：华东师范大学，2023.
[51] 李春雨.基于知识图谱的补益剂推荐方法的研究[D].兰州：甘肃中医药大学，2024.
[52] 李升圆.融合个体特征的中医药方推荐技术[D].上海：华东师范大学，2022.
[53] 赵文.基于中医状态辨识的《伤寒论》诊疗思维与逻辑及智能诊疗模型研究[D].福州：福建中医药大学，2021.
[54] 刘佳俊.基于图神经网络的方剂功效分析[D].长沙：湖南中医药大学，2023.
[55] 刘世雄.基于中医药文本的用药知识发现与知识库建立研究[D].南昌：江西中医药大学，2023.
[56] 颜彩琴，范睿琦，宁雨坪，等.深度学习模型在中药毒性预警中的应用和前景[J].中国药理学与毒理学杂志，2022,36(3):231-240.
[57] 段鹏博.结合知识图谱与图神经网络的中药靶点预测研究[D].北京：北京交通大学，2023.
[58] 龚倬.基于知识图谱的中药复方靶标预测模型研究与实现[D].南京：东南大学，2021.
[59] 杜梦妍.融合中药网络药理学与图自编码器的靶点相互作用预测方法研究[D].长春：长春工业大学，2024.
[60] 刘葛安旗.融合图和序列特征的中药成分靶点相互作用预测方法研究[D].长春：长春工业大学，2024.
[61] 李玉明.基于异质网络的药对经典名方活性成分群预测方法研究与实现[D].南京：东南大学，2022.
[62] 朱润.基于异质网络表示学习的中药药方重定位方法研究与实现[D].南京：东南大学，2022.
[63] 张乃心.基于知识图谱的中医症状基因预测模型研究[D].南京：东南大学，2023.
[64] 赵宇丹.基于图神经网络的中医体质分类方法研究[D].廊坊：北华航天工业学院，2023.
[65] 何继宇.基于空间多尺度运动特征交互融合的针刺手法识别方法[D].北京：北京化工大学，2024.
[66] 电子科技大学.一种基于图像融合和注意力机制的手部穴位检测方法：CN202410242704.3[P].2024-04-19.
[67] 杜梦男.名老中医诊治脑瘤的知识图谱学习和推理算法研究[D].南京：南京中医药大学，2024.
[68] 刘雪丽.基于表示学习的心血管疾病中医知识图谱融合研究[D].兰州：甘肃中医药大学，2024.
[69] 耿介.基于图神经网络的慢性阻塞性肺疾病中医智能诊疗研究[D].武汉：华中科技大学，2022.
[70] 颜兴宇.基于多元知识结构的慢性阻塞性肺疾病诊治分析模型研究[D].武汉：湖北中医药大学，2023.
[71] 陈永波.基于机器学习的慢性肾小球肾炎中医辅助诊疗模型研究[D].成都：电子科技大学，2022.
[72] 许鸿本.便秘中医健康管理模型构建研究[D].福州：福建中医药大学，2022.
[73] 王瑞松，王胜男，石铁流.深度学习在生物医学领域中的应用简介[J].中国科学：生命科学，2025,55(6):1268-1287.
基本信息:
DOI：10.13193/j.issn.1673-7717.2026.01.005
中图分类号:TP183;R2-03
引用信息:
[1]祁嘉文,刘毅.图神经网络在中医药领域应用现状与前景展望[J].中华中医药学刊,2026,44(01):24-29.DOI:10.13193/j.issn.1673-7717.2026.01.005.
基金信息:
国家重点研发计划项目(2018YFC1704104); 四川省中医药管理局中医药科研专项课题重点项目(2024zd024); 成都中医药大学“杏林学者”学科人才科研提升计划项目(XKTD2022014)
2025-05-14
2025-05-14
2025-05-14