3. 疾病本体与药物本体构建

在疾病药物关联建模中，本体不是可有可无的“术语表”，而是把来自电子病历、文献、知识库和药物说明书的异构表述，收敛到同一套可计算语义坐标系的底座。疾病本体回答“疾病是什么、如何分类、彼此有何关系”，药物本体回答“药物是什么、如何归类、以什么形式作用于疾病”。两者只有各自标准化并完成对齐，后续的关联抽取、图嵌入和推理才有稳定的语义基础。

一、标准化术语：从自由文本到受控标识

标准化术语的核心任务，是给每个概念分配一个稳定、唯一、可追溯的标识符，并绑定规范名称与同义词集合。以疾病为例，临床文本中“2型糖尿病”“II型糖尿病”“T2DM”“成人发病型糖尿病”指向同一概念，应统一映射到同一本体标识，例如以 DOID、ICD-10、MeSH 或 SNOMED CT 中的编码作为主键，其余表述进入同义词列表。药物侧同理，“阿司匹林”“乙酰水杨酸”“Aspirin”“ASA”应归并到同一药物概念，可选用 DrugBank ID、RxNorm CUI 或 ChEBI 作为主标识。

实际操作中，标准化不是简单字符串匹配，而要处理三类问题：一是缩写与全称的对应，如“COPD”与“慢性阻塞性肺疾病”；二是语序与修饰差异，如“非小细胞肺癌”与“肺癌，非小细胞型”；三是粒度差异，如“糖尿病”与“1型糖尿病”是上下位关系而非同义关系。建议为每个概念维护如下最小字段：主标识、规范名称、同义词数组、来源本体、版本号、映射置信度。置信度低于阈值（例如 0.85）的映射应进入人工复核队列，而不是直接写入生产本体。

二、层级关系：is-a、part-of 与因果链

本体的价值很大程度体现在层级结构上。疾病本体中，最常用的是 is-a（上下位）关系，例如“2型糖尿病 is-a 糖尿病 is-a 胰腺内分泌疾病”；其次是 part-of 与 has-location，用于表达解剖部位和系统归属。药物本体中，除 is-a（如“阿司匹林 is-a 非甾体抗炎药”）外，还需表达 has-target、has-mechanism、has-metabolite 等关系，才能支撑“药物—靶点—疾病”的推理路径。

层级设计要避免两个极端：过深会导致推理链过长、噪声放大；过浅则失去分类价值。工程上通常把疾病本体控制在 5～7 层，药物本体控制在 4～6 层，并在关键节点设置“多父节点”以表达交叉分类，例如“糖尿病肾病”同时属于“糖尿病并发症”和“肾脏疾病”。多父节点必须显式声明，否则后续图查询会出现路径歧义。

三、语义映射：把临床表述接到本体节点

语义映射解决的是“文本到概念”的落地问题。工程上通常分三步走。第一步是词典匹配，用规范名称和同义词构建倒排索引，对输入文本做最长优先匹配，命中即给出候选概念。第二步是规则消歧，利用上下文窗口中的否定词、时间词、部位词过滤错误候选，例如“无糖尿病史”中的“糖尿病”不应被映射为确诊疾病。第三步是向量召回与重排，对未命中词典的表述，用生物医学预训练模型生成句向量，在概念向量库中检索 Top-K 候选，再按相似度排序。

一个可参考的映射记录格式如下，字段可根据实际系统裁剪：

{
  "mention": "II型糖尿病",
  "normalized": "2型糖尿病",
  "concept_id": "DOID:9352",
  "source_ontology": "DOID",
  "match_type": "synonym",
  "confidence": 0.96,
  "context": "患者确诊II型糖尿病5年",
  "review_status": "auto_accepted"
}

当置信度落在 0.70～0.85 区间时，建议标记为“待复核”，并保留原始 mention 与上下文，供人工在审核界面中一键确认或改判。低于 0.70 的候选直接丢弃，避免污染本体。

四、本体对齐：让疾病与药物说同一种语言

疾病本体与药物本体各自建好后，必须做对齐，否则关联模型无法把“二甲双胍”和“2型糖尿病”连起来。对齐包括三个层次：概念级对齐、关系级对齐和实例级对齐。概念级对齐是把不同本体中指向同一概念的节点合并，例如把 DOID:9352 与 ICD-10 的 E11 建立等价映射；关系级对齐是统一关系谓词，例如把“治疗”“用于”“适应症”统一为 treats 关系；实例级对齐是把具体药物—疾病对写入关联表，并标注证据来源与强度。

对齐质量可用三个指标衡量：覆盖率（能对齐的概念占比）、准确率（对齐正确的比例）和一致性（对齐后不产生矛盾路径的比例）。实践中，建议先做高置信度的自动对齐，再对边界概念做人工抽检，抽检比例不低于 10%。对齐结果应版本化保存，每次本体升级后重新跑一遍对齐流水线，并记录差异，避免“静默漂移”。

五、工程落地要点

第一，主标识要稳定。一旦选定 DOID 或 DrugBank ID 作为主键，就不要频繁更换，否则历史关联数据需要整体重写。第二，同义词要持续扩充。新药上市、疾病命名更新、指南术语变化都会带来新表述，建议每月从文献和病历中抽取未登录词，人工确认后补入同义词库。第三，层级深度要克制。过深的分类会让图查询变慢，也会让嵌入模型难以学到有效表示。第四，对齐要留痕。每条映射记录都应包含来源、时间、置信度和审核人，便于追溯和回滚。