领域知识图谱动态本体自动扩展如何实现？Agent用于医疗领域脑电图分析

一、Agent用于医疗领域脑电图分析

来看一个故事，讲的是脑电波信号非平稳、个体差异大、人工分析耗时主观，所以搞个“AI脑电波分析师”，专门帮医生或研究人员解读脑电图（EEG），使用Agent来做。

《EEGAgent: A Unified Framework for Automated EEG Analysis Using Large Language Models》，https://arxiv.org/pdf/2511.09947，开源地址在：https://github.com/rebootingLine/EEGAgent。

核心思路是核心控制器Qwen3-235B（负责任务规划、工具选择、结果推理）、语义嵌入Qwen3-Embedding-8B（将任务描述转为高维向量，从EEG知识库检索相关信息）、9个核心工具以及4个功能。

细分来看。

1、9个核心工具

包括：normalAbnormal进行全局EEG正常/异常二分类、seizNormal进行单通道1s癫痫波检测、slowSeizBckg进行10s窗口背景/慢波/癫痫波三分类、eyemMuscle进行单通道1s眼动/肌电伪影分类、seizArtiBckg进行背景/伪影/癫痫波三分类；

baseInfo工具获取结构化元数据（患者信息、电极配置等）、compute_amplitude工具计算（均值绝对值、均方根、最大/最小值）、compute_psd计算功率谱密度，得到各频段功率、compute_symmetry计算左右对称电极对的皮尔逊相关系数，衡量信号对称性；

2）脑电基础信息感知功能Perception

解析EEG元数据、构建分析上下文。

步骤为：

step1.加载EEG数据时自动触发baseInfo工具，提取元数据和电极配置；

->step2.结合知识库生成年龄适配的EEG预期特征（如55岁患者预期枕叶α波低振幅）【编码层用Qwen3-Embedding-8B模型，将知识条目与用户任务描述（如“分析55岁患者5-6分钟EEG”）均编码为8192维向量，检索Top-5最相关知识条目】；

->step3.输出初始感知结果，包含患者信息、记录参数、脑区-电极映射、年龄相关参考标准【如{年龄区间：20-60岁，α波特征：枕叶8-13Hz，低振幅；θ波：不明显}、电极映射知识：{FP1-F3：左前额叶；F4-C4：右额中央区}】；

3、多视角EEG片段分析能力Exploration

输入用户指定时间区间[T_start,T_end]（如300-360s，即5-6分钟）如【分析[300-360s]；患者年龄：55岁；已知信息：无异常史】，LLM结合年龄特征（老年患者慢波增多），输出结论“弥漫性慢波活动（GRDA模式）；

4、脑电事件检测功能Find out Event

定位癫痫波等事件的时间区间+脑区。

步骤为：step1.粗粒度筛选（10s窗口）【调用slowSeizBckg工具扫描目标区间（如0-60s），输出每个10s窗口的癫痫波概率，若某窗口seiz_prob>0.4，标记为可疑区间】；

->step2.细粒度定位（1s窗口）【对可疑区间按1s分割，调用seizNormal工具（单通道）分析每个1s子段；

->step3.提取seiz_prob最高的通道（如F4-C4通道0-1sseiz_prob=0.68），对应脑区（右额中央区）】；

->step4.计算与临床标注的IoU（IntersectionoverUnion），取IoU>0.7的检测结果；

5、报告生成功能EEG Report

与用户交互以及脑电报告生成。

整体思路如下：

step1.【初始化ACNS标准模版】包含患者信息、背景活动、异常发现、结论4个模块；

->step2.【全EEG患者信息粗分析】 将EEG按10s分段，调用normalAbnormal（全局异常检测）和slowSeizBckg（慢波/癫痫波筛查），对每个分段，决策是否需要细分析（如粗分析发现slow_prob>0.8，触发1s细分析）；

->step3.【信息填充】 从compute_psd提取频段特征（如“枕叶α波10Hz，低振幅”）获得背景活动；从检测结果提取事件（时间+脑区+概率，如“500s左额中央区癫痫波，概率72%”，作为异常发现）；

->step4.【文本生成】 调用Qwen3-235B，输入模板+填充信息，生成结论（如提示词为“基于以下EEG分析结果，生成符合ACNS标准的临床报告，语言简洁、专业”）。

二、知识图谱动态本体扩展思路

来看一个知识图谱本体动态变化的故事，很有趣。

是构建动态知识图谱的问题，核心是突破预定义出来的本体，自动做扩展，如扩展本体以覆盖初始未定义的领域知识（如通信技术中的“OptiTran光传输协议”关系），并且实时纳入新出现的知识（如产品新功能、技术新标准），避免本体过时。

因此，看一个工作《Agentic-KGR: Co-evolutionary Knowledge Graph Construction through Multi-Agent Reinforcement Learning》，https://arxiv.org/pdf/2510.09156，我们重点看其中重点看动态本体扩展的实现，核心思路是多轮RL交互实现本体的渐进式扩展。

但是，这种本体扩展（Ontology Expansion），Agentic-KGR中每轮迭代的“提取→暂存→更新→奖励计算→晋升”流程，本质是动态schema构建与验证的闭环，各环节通过结构化操作实现“潜在本体候选发现-暂存验证-协同优化-质量评估-正式入库”的本体进化。

其核心依赖两个能力项：

一个是LLM的知识提取能力【通过LLM的NER/RE能力发现未预定义的实体/关系，为本体扩展提供“原材料”（如Agentic-KGR用Qwen2.5系列模型提取通信领域新关系）】；

一个是反馈闭环机制【通过RL奖励、多智能体交互、时序约束（时态KG）确保扩展后的本体“有效且一致”，避免无意义的结构膨胀】；

来看下具体实现细节，很值得看看

1、step1-提取阶段

从“固定本体”到“发现潜在新类型”，找本体扩展的“候选素材”，进行多源数据实体与关系抽取。

输入包含三部分：①非结构化/结构化数据（如领域文档、标准规范）；②历史本体schema（含已扩展类型及约束）；③领域知识图谱（KG）快照（含实体/关系分布特征）。

也就是说，给LLM的不只是预定义的本体结构，还包括历史本体扩展记录（比如之前加过“快充功率”）、文本里的领域术语（如“IP68”“毫米波”），让模型知道“可以往哪些方向找新类型”。

处理上由LLMAgent执行实体识别（NER）和关系抽取（RE）；

其中，有个点叫可学习多尺度提示压缩机制（LearnableMulti-ScalePromptCompression），对输入数据进行语义蒸馏：

一个是通过交叉注意力（Cross-Attention）聚焦“本体相关语义单元”（如领域术语、实体-关系表述），过滤冗余文本；

一个是利用LLMAgent的类型预测能力，对未匹配预定义本体的语义单元（如“5GRAN频段”“IP68防护等级”），预测其潜在类型（如EntityType:Band、RelationType:Supports）

最后，输出候选实体-关系三元组，附带置信度评分（0-1区间）和数据来源标注（如文档ID）

2、step2.暂存阶段

避免未验证类型直接写入正式本体导致schema污染，同时通过多轮迭代积累候选的验证证据。

新建三元组不直接写入正式知识图谱，而是在Neo4j数据库中创建独立的暂存层（PENDING_REL标签），为每个本体候选绑定结构化元数据，包含核心字段源实体ID/名称、目标实体ID/名称、关系类型、初始置信度、投票数（初始为1）、来源列表（记录文档ID）。

具体的：

候选实体IDsrc_id/dst_id，如Device_001/Band_N41；

潜在关系类型rel_type如Supports；

候选置信度confidence，如0.78；

候选被重复挖掘的次数votes，如2（两轮迭代均挖掘到该候选）；

候选数据来源（文档ID列表）sources，如[Standard_3GPP,Doc_Wireless] ； 所属迭代轮次标识episode_tag，如Ep_137

基于这个，做更新。

如果后续迭代抽取到相同三元组，若后续迭代挖掘到相同类型的候选（通过src_id/dst_id/rel_type匹配），触发暂存层更新。

更新操作有：如置信度更新，取当前候选与历史候选的置信度最大值；

证据补充：投票数+1，并追加数据来源，做多源证据积累”，也就是将更新置信度（取最大值）、累计投票数并追加来源，避免重复存储。

3、step3.更新阶段

基于暂存候选的证据状态，同步优化两部分：

一个是本体结构（为潜在类型预留扩展接口，调整现有类型约束）

图谱更新上，基于KG更新算子，对正式本体schema进行“软调整”：

对暂存中投票数≥2的潜在类型（如Band），在本体中新增“待验证类型节点”（如PendingEntityType:Band），并定义其与现有类型的临时关联（如Device→PendingHasAttribute→Band），避免破坏现有本体一致性；

对冲突候选（如同一实体被预测为两种类型），基于图距离计算类型相似度，保留与现有本体兼容性更高的候选。

一个是LLMAgent参数（提升后续本体候选挖掘的准确性），形成“本体指导模型-模型优化本体”闭环。

具体的，基于策略梯度算法优化LLMAgent参数，利用GraphRAG的检索结果计算优势函数，让模型学习更有效的抽取模式。

以“本体候选挖掘质量”为目标，通过多轮强化学习（RL）更新LLMAgent参数：

优势函数融合GraphRAG检索结果（如候选与现有本体的匹配度）；若模型挖掘的候选在暂存层获得高投票数，给予正向梯度更新，强化其对该类类型的挖掘能力；反之，若候选被判定为无效（如语义模糊），则通过负向梯度抑制同类预测。

此外，还需要做关系老化处理：本体冗余控制，对正式本体中长时间未关联新候选的类型**（如超过几天无更新），通过老化函数**降低其权重，为新类型扩展释放空间，避免本体结构僵化。

4、step4.奖励计算阶段

通过双维度奖励机制，量化评估“本体扩展的有效性”，为候选晋升提供决策依据，同时引导模型与本体向“高覆盖、低冗余”方向进化。

双维度反馈引导，这个主要是靠强化，要更新模型自身的能力，因此，**要设计奖励函数，奖励由环境奖励（R_env）和任务奖励（R_task）**加权组成。

其中：

环境奖励，评估本体结构优化，聚焦本体扩展的“结构价值”，包含两项核心指标：

一个是覆盖增益：通过子模函数计算新增候选对本体覆盖范围的提升（如Band类型覆盖的5G设备占比）；

一个是冯·诺依曼熵增益：衡量本体结构多样性（如新增Supports关系后，实体关联的关系类型分布熵变化），同时，通过约束惩罚项抑制无效扩展（如重复类型、语义冲突类型）。

任务奖励进行本体候选实用性评估，聚焦本体候选的“任务适配性”，包含几个。

一个是工具调用奖励：若候选能成功支撑下游工具（如KG检索、QA推理），给予+0.05奖励；失败则-0.1；

一个是格式合规奖励：候选类型定义符合本体约束（如属性类型匹配），给予+1.0奖励；

一个是准确性奖励：候选三元组与人工标注/权威数据匹配，完全匹配+1.5，部分匹配按F1score计算。

当然，这两个是双刃剑，需要调和，所以，进行动态权重调整。

调整通过镜像下降（MirrorDescent）动态调整加权权重。

例如：若当前本体覆盖不足，提升alpha以优先优化覆盖增益；若本体冗余过高，降低alpha以强化任务实用性约束。

5、step5.晋升阶段

这是最后一步，本体候选的正式入库，将经多轮验证的高置信度候选，正式写入本体schema，完成一次本体扩展，同时清理暂存层无效候选，保障本体整洁性。

也就是，对暂存层的三元组进行筛选，且的候选关系，晋升为正式关系（:REL）。

具体的，几个核心点：

一个是晋升阈值判定，对暂存层候选，满足以下条件则触发晋升：

置信度阈值：置信度≥阈值（如0.72）；证据阈值：投票数≥阈值（如3）；奖励阈值：该候选关联的环境奖励+任务奖励之和≥1.2；

然后，达到要求后，进行正式本体更新，通过Neo4j事务执行本体写入：

1）类型定义：将PendingEntityType:Band升级为正式EntityType:Band，写入本体schema，并补充约束（如Band的属性Frequency:Float）；

2）三元组迁移：将暂存层关联三元组（如(Device_001)-[Supports]->(Band_N41)）从PENDING_REL迁移至正式REL标签，同时保留证据（sources字段）；

3）索引同步：为新类型创建索引（如CREATEINDEXentity_type_bandIFNOTEXISTSFOR(n:Band)ON(n.name)），保障后续检索效率。

一个是暂存层进行清理，对未满足晋升条件的候选，执行两类操作：

对于低置信候选，即置信度<0.3，直接删除，释放存储资源；

对于中等置信候选，置信度>0.3但小于阈值的，保留但降低权重，如乘以0.8，若下一轮仍未达标则删除，避免暂存层堆积。

最后，进行本体快照与版本控制，晋升完成后，生成新的本体schema快照（GraphSnapshot），记录：本次扩展的类型列表；晋升阈值与证据；本体结构变化（如类型数、关系数），为后续迭代的本体追溯与回滚提供支持。

然后重复如上5个步骤，迭代到下一轮，总共10轮。

其实，本质就是：抽取、打分、更新、逐步拟合。

参考文献

1、https://arxiv.org/pdf/2511.09947

2、https://arxiv.org/pdf/2510.09156

关于我们

老刘，NLP开源爱好者与践行者，主页：https://liuhuanyong.github.io。

对大模型&知识图谱&RAG&文档理解感兴趣，并对每日早报、老刘说NLP历史线上分享、心得交流等感兴趣的，欢迎加入社区，社区持续纳新。

加入社区方式：关注公众号，在后台菜单栏中点击会员社区加入。