医学知识图谱研究综述

刘悦悦，李 燕

（甘肃中医药大学 信息工程学院，甘肃 兰州 730000）

0 引言

大数据（也称巨量资料）时代，医疗数据量以几何级数的形式高速增长，数据增长速度可以用“爆炸式”来形容。医疗数据是医生在对病患进行诊疗救治的过程中生成数据的总和，包括病患的基本信息、电子病历、医学管理、诊断数据、仪器数据、功能检验数据等。概括而言，凡是留存于医疗卫生领域的大数据都可称为医疗数据。大数据具有“4V1O”的特征，即数据量大（Volume）、类型繁多（Variety）、价值密度低（Value）、速度快时效高（Velocity），以及数据在线（Online）。在此基础上医疗大数据还具有独特特征，如长期保存性、时空性、语义性和隐私性。总之，医疗数据增长迅速且来源多样，这使得如何有效撷取、组织管理以及合理运用海量医学数据成为亟需解决的问题。

智能离不开知识，知识始终是人工智能的核心之一。知识图谱（Knowledge Graph）并不是突然兴起的新兴技术，而是在语义网、本体论、自然语言处理等相关技术的影响下产生的结果。知识图谱的概念于2012 年5 月由谷歌公司基于数据基础Freebase 正式推出知识图谱搜索引擎后正式产生，其从关系的角度分析事物间的联系，由节点（抽象的概念或实体）和边（实体的属性或关系）构成知识图谱。知识图谱的最初目标是提高搜索引擎的能力，随着技术的推进开始在自然语言理解、数据分析、智能问答以及人工智能等方面体现出极大价值。

近年来，关于医学知识图谱构建的成果不断被提出，国外知名医学知识图谱包括Gene.Ontology、DrugBank、Watson Health 等，国内知名医学知识图谱包括鹏城实验室人工智能研究中心智慧健康医疗课题组，北京大学计算语言学研究所，郑州大学自然语言处理实验室共同构建的中文医学知识图谱CMeKG，中国科学院计算机技术研究所的OpenKN，上海曙光医院中医药知识图谱，中国中医科学院中医药信息研究所的中医临床知识图谱，中文开放知识图谱OpenKG，阿里巴巴的“医知鹿”，百度的“灵医智慧”，平安智慧医疗的“平安好医生”，腾讯的“觅影”以及北京左医科技有限公司旗下的“左手医生”等。国内知识图谱在医疗领域的应用相对于国外来说起步较晚，赵悦淑等［1］通过对中国知网和PubMed 英文数据库的中文医学知识图谱相关文献进行检索及可视化分析，发现有关医学知识图谱的研究开始于2009 年，2018 年得到快速发展，并在中医药、影像智能以及疾病风险预测方面取得较大进步。

知识图谱按照领域通常可以分为通用知识图谱和特定领域知识图谱，相对于通用知识图谱而言，领域知识图谱的知识结构更复杂并且质量要求更高；在准确率方面，通用知识图谱往往有一定程度的容错率，但在领域知识图谱，尤其是医疗领域对知识图谱构建过程中各类技术的要求极其苛刻。本文探讨的医疗知识图谱属于领域知识图谱，在医疗领域中关乎人类生命，知识来源必须是高质量且准确率更高，尽可能做到完全避免知识错误。本文通过介绍医学知识图谱的相关概念，归纳总结医学知识图谱的研究现状与发展，以此探索医学知识图谱领域的整体概况。

1 医学知识图谱构建关键技术

医学知识图谱的构建相较一般知识图谱更具挑战性。医学知识存在着1-1、1-N、N-1、N-N 的关系，复杂、歧义等特点使其知识图谱的构建困难诸多。单单针对疾病实体而言，如心血管疾病就包括冠心病（胸痹）、高血压（眩晕）、心肌梗死（真心痛）、心绞痛（胸痹心痛）、心律失常（心动悸）、心悸（包括惊悸和怔忡）。本文结合知识图谱的构建，从医学数据源、医学知识抽取、医学知识融合、医学知识表示、医学知识存储、医学知识推理和医学质量评估7 个方面介绍医学知识图谱的构建过程。从3 类不同数据源中抽取医学知识，针对抽取知识异构的情况对知识进行融合，并以三元组的形式进行医学知识的表示，然后对处理好的医学知识进行知识库存储，以构建知识图谱。对于医学知识图谱构建不完整的问题，采用知识图谱推理技术进行知识图谱补全，最后通过质量评估提高医学知识图谱的质量和置信度。医学知识图谱构建框架如图1所示。

Fig.1 Construction framework of medical knowledge graph图1 医学知识图谱构建框架

1.1 医学数据源

医学信息技术的快速发展导致医学数据不断大量增长，而这些医学数据的来源也尽不相同。概括而言，在目前的医疗领域中，医学数据源可以分为结构化数据、半结构化数据以及非结构化数据3 类。其中，结构化数据包括部分医疗信息系统中的医学知识库、疾病知识库以及临床业务数据等；半结构化数据包括表格、网页、药品说明书、心/脑电图数据等；非结构化数据包括医学文献、古籍等文本数据［2］。在知识图谱的构建过程中，难点在于如何将非结构化以及半结构化知识转化为结构化知识，因为非结构化数据对于计算机而言是难以直接理解的，需要将其转化为结构化数据，这就需要借助医学知识抽取技术。

1.2 医学知识抽取

知识抽取是构建知识图谱的重要技术，对于实现自动化构建具有重大意义。知识抽取即从数据源中通过自动化或者半自动化的方式抽取有价值的知识。知识即指知识单元，包括实体、属性和关系，以三元组的形式进行存储。医学知识抽取的主要目标是从不同医学数据源知识中抽取医学实体、医学关系以及医学属性等，同时保证抽取的准确性。以下按照知识单元的构成从实体抽取、关系抽取以及属性抽取3方面进行医学知识抽取介绍。

1.2.1 医学实体抽取

实体抽取又名命名实体识别，是知识抽取最基本的任务。实体指具有可区别性且独立存在的某种事物。医学领域实体指科室、症状、药物、疾病、处方等。早期医学实体识别主要采用基于字典和规则的方法，由医学领域知识专家手工编写规则的方法对实体进行抽取，通过字符串匹配从而达到识别命名实体的效果，这种方法在数据集小时具有很高的准确率和召回率，但对于大规模的数据集来说，这种方法不管是在时效性还是复用性上均较差。为此，有研究者开始将机器学习算法与统计模型相结合为应用到实体抽取中，利用完全标注或部分标注的语料信息进行模型训练，常用相关模型为隐马尔可夫模型（Hiden Markov Model，HMM）、条件马尔可夫模型（Conditional Markov Model，CMM）、最大熵模型（Maximum Entropy Model，MEM）以及条件随机场模型（Conditional Random Fields，CRF）、双向长短时记忆模型（Bidirectional Long Short-Term Memory，Bi LSTM）。基于机器学习的医学实体抽取存在着医学质量不一且人工标注专业性不高的问题。

近年来，深度学习技术开始应用于医学知识图谱领域。例如，景慎旗等［3］针对中文电子病历文书的命名实体识别问题，提出一种基于半监督深度学习的方法，结合专家权威半自动化实体标注法和BERT-GCN-CRF 框架构建BERT-GCN-CRF 模型，与其他模型相比在准确率、召回率和F1 值方面均有提高，人工标注工作量也显著减少，对于电子病历非结构化文本挖掘具有重要意义。针对BERT 模型语义单一、词汇量有限的问题，马诗语等［4］提出一种ALBERT-BILSTM-CRF 模型，以糖尿病相关论文及临床指南为数据集，通过比较不同模型F1 值的变化情况，最终得出融合ALBERT 的实体识别效果优于现有主流模型，且较BERT 训练速度有所提升的结论；李小亚［5］提出超声数据命名实体识别模型，在基线模型BiLSTM-CRF 上引入Bert，设计实验解决了非结构化数据的实体识别问题。

1.2.2 医学关系抽取

关系抽取是指从文本数据中抽取两个或多个实体间的语义联系，与实体抽取密切相关。医学领域实体间的关系包括疾病—部位、疾病—症状、疾病—检查、疾病—疾病等。早期关系抽取方法主要为基于共现和基于规则模板匹配的方法。基于共现的方法通过文本出现频次反映实体之间的相关性，方法简单、召回率高但准确率低。基于规则模板匹配的方法由医学专家手工构造规则模板，然后人工匹配有特定关系的实体，准确率较高，但召回率低、移植性差。近年来，基于深度学习的关系抽取模型不断被提出，总体分为流水线关系抽取和联合关系抽取两类。流水线关系抽取方法是在实体抽取后再进行关系抽取，两者过程相互独立，但关系抽取位于实体抽取后，又受其影响，常用抽取模型包括Att-Pooling-CNN 模型、depLCNN+NS 模型、CR-CNN 模型等。流水线方法存在误差不断积累的缺陷，从而使得抽取性能下降。为此，一些学者提出了联合抽取的方法，联合关系抽取是在同一模型中将关系抽取与实体抽取相结合，共同优化。例如，Miwa 等［6］基于嵌入层、LSTM-RNN 层以及依存关系层三层表示层构建了实体抽取以及关系抽取的联合模型；刘苏文等［7］针对因果关系抽取关联性问题，提出了二元关系抽取和一元功能识别共同决策的联合学习模型，解决了生物医学实体因果关系抽取问题；钟灵玥［8］针对实体抽取和关系抽取两者间联系较弱、模型处理重叠三元组效果欠佳的问题提出TagRE 系列模型，采用联合抽取方法重新定义子任务的方式进行处理，从而避免了两者间缺乏关联的问题。

1.2.3 医学属性抽取

属性抽取即以结构化的形式呈现识别文本中关于属性的信息。医学实体属性的存在，如药品不良反应、服用剂量等，使得对实体的认识更加具体。实体属性作为实体的一种附属关系，其抽取问题在一定程度上可以转化为关系抽取问题。

1.3 医学知识融合

医学知识融合是指在专业术语的规范下对异构或冗杂的多源数据进行整合、消歧、加工，其主要任务是消除由于医学数据源不同而引起医学知识重复、质量良萎不齐、错误冗杂的问题。本体所述语义内容存在重叠或关联的问题，在表示语言和模型上存在差异，从而造成本体异构。实体同样存在异构的问题，存在一对多或多对一的关系，这种共指问题会对知识图谱产生影响。也就是说知识融合最重要的工作就是解决构建知识图谱过程中的异构问题。本文将医学知识融合分成医学实体对齐和医学知识库融合两部分。

实体对齐的主要任务是解决同义异名的问题，即异构数据中的实体冲突、指向不明问题，以此获取高质量知识。目前针对医学领域的知识融合，学者也进行了相关探索。针对医学数据的多源化，张坤丽等［9］依据术语标准和主题词表对多来源的200 余万字非结构化产科疾病文本进行人工校对和异构数据的整合、消歧、加工、更新等知识融合形成了中文产科知识图谱（COKG）数据层；宋培彦等［10］在复用疫苗、人类疾病、症状的基础上进行本体的形式合并，利用Word2vec 方法和Owready2 功能模块完成本体语义融合，取得了较高的本体语义关系准确度，实现了公共卫生领域多本体融合；胡正银等［11］针对知识图谱多源异构问题，基于SPO 三元组模型，通过实体对齐、概念层析融合与关系融合实现多源异构数据融合，生成了完整领域的知识图谱。

之所以进行知识库融合，是因为医学知识图谱往往针对的是某一个具体科室或者疾病构建，不同的医学数据库独立存在，这种情况下有必要对不同医学数据库进行融合，以获得涵盖范围更广的医学知识图谱。例如，刘雷等［12］在构建精准医学知识库时利用跨库知识融合技术对生物医学知识进行融合；刘新奎等［13］采用众包的方式解决疾病诊断相关分组知识融合的问题；廖开际等［14］针对多来源医疗知识库融合过程存在知识冗杂的问题，利用综合多种注意力机制和图卷积神经网络的MuGNN 模型对互联网医疗知识进行融合。目前医学知识库融合技术仍停留在人工干预阶段，自动化融合算法还有待相关学者进一步研究。

1.4 医学知识表示

知识表示面向的对象是知识库中的实体和关系，通过在低维空间中高效计算实体和关系的语义关系，有效解决数据稀疏的问题，对知识获取、知识融合以及知识推理有着重大意义，可提高知识图谱构建的效率。医学知识主要以符号化、形式化、模式化的形式进行知识的表示。目前主流医学知识表示方式为三元组（头实体—关系—尾实体）的形式，这种知识表示由Sem Rep 依托于UMLS 三大知识源，通过句法分析、短语映射、词性消歧、语义谓词归一化等，最终输出SPO（Subject-Predicate-Object）三元组“概念a|语义谓词|概念b”表示的语义知识，并广泛应用于知识图谱的知识发现。SPO 语义表达丰富，对于语义关系复杂的医学领域来说极为适用。例如，蔡妙芝等［15］利用Sem-Rep 提出基于SPO 语义三元组的疾病知识发现模型，并基于糖尿病相关文献验证了该模型揭示大规模文献中隐含生物医学知识的可行性。三元组虽然已得到使用和认可，但在进行医学领域三元组表示时需要图算法进行计算，而这些图算法计算复杂度较高，在大规模知识图谱上难以快速运行，从而导致计算效率低的问题。

随着深度学习的发展，医学知识表示技术有了一定进展，按照计算方式的不同分为距离平移模型和语义匹配模型两大类［2］，如表1所示。

Table 1 Knowledge representation model based on deep learning表1 基于深度学习知识表示模型

1.5 医学知识存储

知识存储的主要目的是确定合理高效的存储方式，其好坏会直接影响后续查询的效率。目前主流知识存储主要可分为基于资源描述框架（Resource Description Framework，RDF）的存储与基于图的存储两大类。在RDF 存储方面，语义万维网领域的三元组库更好地实现了三元组数据的存储，而数据库领域提出了专门用于管理属性图的图数据库。三元组数据库与图数据库的相互融合发展为知识图谱的存储奠定了强大基础。

知识存储贯穿医学知识图谱构建的整个周期，数据存储对医学领域非常重要。目前在图存储方式中，基于Neo4j 的原生图数据库成为主流，Neo4j 属性图为三元组专门设置存储方案，因此其存取效率优于关系数据库。王明强等［16］利用RDF 模型与Neo4j 构成的相似性，通过将RDF模型映射到Neo4j 数据模型的方式将三元组存储到Neo4j，最终基于Neo4j 图数据库构建的中医皮肤病“病—证—治”本体具有更强的扩展性，数据准性也较高。可见如何根据知识特点选择存储方案，或采取一定方法将两种不同的方案结合起来提升准确率，是知识存储过程中需要解决的重要问题。

1.6 医学知识推理

知识推理指根据已有知识推断未知知识的过程，是完善知识图谱的重要手段之一。医学领域知识图谱的构建因知识的复杂性和歧义性而存在严重的非完整性，目前医学知识图谱亟需解决的就是如何根据已存在的医学知识推断出那些尚未被挖掘出来的隐含医学知识，进而补全医学知识图谱。针对这一问题，医学知识推理技术应运而生。知识推理方法可以分为逻辑推理和非逻辑推理，逻辑推理又可细分为演绎推理和归纳推理（包含溯因推理和类比推理）。而针对知识图谱的知识推理方法［17］包括本体推理、基于逻辑编程的推理、基于图结构的推理、基于规则学习的推理、基于分布式表示学习的推理、基于强化学习的推理、基于神经网络的推理、基于深度学习的推理，目前主流知识图谱推理算法为基于图结构的算法。在大数据时代下，基于深度学习的推理方法广受学者的青睐，其中基于知识表示技术、知识计算应用技术、知识获取技术的知识推理在医学领域有着广阔的应用前景。然而，医学知识推理仍处于初步阶段，通过董文波等［18］对现阶段医学知识推理研究现状的概述可知，医学知识推理现阶段存在缺乏高效的动态推理模型、推理过程耗时耗力、推理泛化能力低等众多问题，现阶段针对样本数据存在缺少头尾实体、查询路径过长、样本数据错误等各种缺陷，零样本、单样本、少样本和多样本的知识图谱推理更受瞩目，但在医学领域的知识推理仍有许多工作需要学者进行完善和创新。

1.7 图谱质量评估

知识图谱质量评估指通过去粗取精来保证图谱质量，换言之，质量评估是通过筛选置信度高的知识来保障知识图谱构建质量，这一过程是保障知识质量的重要环节，并贯穿始终。医学知识图谱质量评估包括但不限于对知识质量、专家信息、医学知识库、医学知识图谱本体等方面的评估。整体评估过程要注意错误预警，着重检查知识质量。医学知识图谱本体的评估方法可分为基于黄金标准、基于本体任务/应用、基于数据驱动、基于指标的方法四大类，各有优缺点，其中基于黄金标准的评估比较客观，但是黄金标准却难以定义或不存在；基于本体任务/应用的评估具有针对性，直接面对本体应用，但因对具体应用较为依赖从而导致可移植性和通用性较差；基于数据驱动的评估方法结果相较于专家的主观评估更具客观化，同时容易验证，但受限于本体概念的覆盖度；基于指标的评估方法具有较为全面的指标体系，但却面临着指标难以统一的问题。例如，张晓冉等［19］提出一个与领域无关的通用数据质量检测和评估的数学模型，同时采用本体技术定义了该模型到本体模型的转换，用于解决数据的质量问题；赵地等［20］提出一种新的面向知识图谱构建全流程的质量评估框架，以用户的角度系统评估知识图谱从而达到优化知识图谱的目的。

2 医学知识图谱的应用

知识图谱在医学领域的应用促进了医疗智能化水平的提高，目前医学知识图谱主要应用于辅助诊断、临床决策支持、风险评估和智能语义搜索等方面。

2.1 临床决策支持诊断

决策支持系统（Decision Support Systems，DSS）隶属于管理科学的范畴。20 世纪70 年代中期，Keen 和Scott Morton 首次提出DSS 的概念。基于DSS 的相关理论和技术，临床决策支持系统（Clinical Decision Support Systems，CDSS）应运而生。CDSS 是医学决策支持系统的重要组成部分，是推进精准医疗的关键以及提升医疗质量的重要手段，根本目的是为了评估和提高医疗质量。利用医学知识图谱技术可以极大减少医疗决策中的失误和医疗差错，并有效解决临床医生知识的局限性，提高诊断效率。根据患者对自身情况的自述以及检查数据初步给出诊断结果和治疗方案等，同时针对医生的方案进行核实检查，一定程度上避免误诊，使诊断更加精确。现有临床决策支持系统在建模过程中一般会用到人工神经网络、贝叶斯网络、遗传算法、产生式规则系统、逻辑条件、因果概率网络等。例如，时雨［21］采用功能应用界面展示设计实现了支持相似病历检索、疾病诊断以及治疗方案分析的基于知识图谱的脑血管辅助决策支持系统，为脑血管病的临床诊疗决策提供了支持；郑少宇［22］面向临床经验相对不足的社区医生，基于图谱和症状特征抽取算法、症状分类算法、症状检索算法设计开发了基于知识图谱的常见病诊断辅助系统，能够在症状采集阶段对当前症状的所有相关疾病进行预览，便于用户在后续鉴别诊断环节中合理地制定治疗流程；董丽丽等［23］针对深度学习技术用于诊断需大规模依赖标注数据，且缺乏医生或专家经验知识的问题，提出一种融合医学知识图谱与深度学习的疾病诊断方法；刘勘等［24］结合知识图谱、表示学习、深度神经网络等技术构建了并发症辅助诊断模型，该模型对于提高并发症的诊断准确率起到积极作用。目前临床决策支持应用方面存在的问题主要为支持疾病类型单一，准确率也有待提高，而构建一整套全面的疾病临床决策支持系统所耗费的人力和物力也较大，目前尚未较好的解决方案。

2.2 医学问答系统

智能问答系统是自然语言处理领域备受关注的研究方向，在医学知识图谱领域具有广阔的应用前景。基于医学知识的专业性和复杂性，非医护人员很难理解，进而导致医患间的沟通问题。而医学问答系统在一定程度上可以起到普及公民医学知识的作用，通过医学问答的形式将医学规范用语用一种通俗易懂的方式反馈给患者及其家属。问答系统采用人机交互的形式，通过自然语言处理技术实现机器与用户的交流。基于医学知识图谱的问答系统通过自然语言处理技术对用户问题进行解析，然后基于知识图谱的查询语句在对应医学知识图谱中进行查询，并返回答案。目前不少学者对医学问答系统进行了探索，例如李俊卓等［25］基于儿科医学知识图谱，利用AC 自动机（Aho-Corasick Automaton）和正则表达式融合数据源，最终实现了儿科疾病及保健知识问答系统的构建；马满福等［26］针对中文医疗领域分词困难的问题，提出基于格子卷积神经网络（Lattice CNN，LCN）的医疗知识问答模型，准确率达到89.0%，比同类模型提高2%。

2.3 智能语义搜索

基于知识图谱的语义搜索与传统依靠网页间超链接实现网页搜索不同，前者搜索的对象是具体事物，如医疗领域的病患、症状、药物等，这些事物的来源可以是电子病历、医学诊断图片、文本数据等各种信息资源，而知识图谱和语义技术为这些事物提供了实体、属性和关系的描述，使得搜索引擎可以直接对这些具体事物进行索引。概括而言，医学语义搜索是指在已存在的大规模医学数据库中通过对关键字以及相关内容进行语义标注，最终实现从医学知识图谱中检索查询相应实体、实体间的关系以及属性的扩展查询，达到高效便捷搜索医疗信息的效果。目前，有关医学领域智能语义搜索的相关应用有搜医网、360 良医、搜狗明医、春雨医生、丁香医生等医学搜索引擎，腾讯医典和讯飞健康平台等医学相关产品，同时相关学者也在学术方面对医学语义搜索进行了探究，如杨笑然［27］为解决互联网医疗科普搜索需求增加与现有科普网站导航过于专业用户无法找到针对性答案的问题，基于运用语义搜索和问答系统相关技术，设计开发了基于知识图谱的医疗专家系统，提供医疗语义搜索和医疗智能问答服务；翟姗姗等［28］将知识图谱与分面检索相结合，构建了基于医学知识图谱的慢性病在线医疗社区分面检索模型，提高了用户检索的效率和质量。

3 现存问题

知识图谱是大数据时代最有效的知识表示和整合方法之一，泛指各种大型知识库，是将所有不同种类的信息连接在一起而得到的一个关系网络，是机器大脑中的知识库。作为一种以图谱形式描述实体与属性关系的新技术，知识图谱用于医疗领域可有效对海量数据进行挖掘、处理和分析，但目前仍面临诸多挑战。

3.1 数据语料标注问题

构建医学知识图谱最重要的步骤是数据处理，高质量的数据往往来源于中医医案、医学古籍或是由权威机构发布的文件，获取数据后如何对这些数据进行标注成为一个重大难题。一般数据标注通常采用BIO 标注方法，但方剂所含实体类型较多，包括药物、疾病、功效、炮制方法等，若按照BIO 标注工作量极大。此外，医学古籍内容晦涩，需要人工命名实体标注，且会由于标注人的不同而导致标注结果不尽相同。

3.2 知识图谱存储问题

目前知识图谱存储主要方式是基于RDF 和基于图数据库的存储，目前医学知识图谱主要采用基于图数据库的存储方法。虽然基于RDF 的存储方法总体不如图数据库，但其仍有图数据库未涉及的优点。例如，图数据库最大的缺点就是不支持SQL 的查询，是否可以将RDF 与图数据存储相融合有待学者验证和尝试，而面对医疗数据的快速增长以及数据复杂化等问题，现有存储方式能否应对还有待验证。

3.3 知识推理能力问题

知识推理技术的准确率提高是一大难题，主要原因有二：其一是数据质量越高，推理越准确，而高质量数据的训练耗时耗力耗财；其二是关系预测能力有限，随着知识图谱的扩展，关系预测路径长度也不断增长，现有预测方法长度有限，这在一定程度上影响了准确率。

3.4 知识处理算法问题

不论是医学知识抽取、医学实体对齐还是医学知识融合方面，相关算法或多或少存在准确率低、扩展性低、复杂度高等问题，高效、可扩展性强的相关算法仍有待学者深入研究。

3.5 医学知识图谱表现单一

现有知识图谱大多以文本、网页的形式进行展示，能否采用多模态技术将声音、影像、信号数据以及古籍中的医学信息一起融入医学知识库中将有待学者进一步研究。

4 结语

本文针对医学知识图谱的构建技术以及应用进行了分析，并对目前医学知识图谱面临的挑战进行了相关总结和展望，认为医学知识图谱具有广泛的应用前景。随着技术的不断成熟、经验的不断积累，目前存在的不足终会被解决，知识图谱在医学领域的应用将会更加准确、具体，成为推动医学智能化一种不可或缺的助力。医学知识图谱的意义在于推动了医学自动化和智能化的发展，对于中医来说更是如此。相信医学知识图谱可以成为中医得以传承和创新的一种推动力，为整个医疗产业发展注入鲜活血液。