ChronoMedKG：打破静态知识壁垒，为临床推理注入时间维度

生物医学知识图谱在辅助临床决策中扮演着重要角色，但现有主流图谱如PrimeKG、Hetionet和iKraph普遍存在一个致命缺陷：它们将疾病与症状、药物之间的关联视为静态事实，完全忽略了时间维度。在真实的临床场景中，时间信息对于推理至关重要。例如，一个在3岁儿童身上出现的特定症状可能是某种良性发育现象的诊断依据，但在13岁的青少年身上，同样的症状可能暗示着截然不同的严重疾病。这种动态变化使得静态图谱在纵向临床推理和检索增强生成（RAG）应用中显得力不从心。针对这一痛点，本研究提出了ChronoMedKG，这是一个创新的时态生物医学知识图谱。其核心贡献不仅在于构建了一个包含13,431种疾病的大型图谱，更在于它为每一个疾病关联都绑定了具体的时态组件，如发病窗口期或疾病进展阶段，并通过PMID可追溯的证据和多信号可信度评分来确保数据的可靠性。

这一工作填补了现有资源在时间轴上的空白，为更精准的临床推理提供了基础数据支撑。在技术实现层面，ChronoMedKG的构建过程体现了高度自动化的多智能体协作策略。研究团队设计了一种疾病自主的多智能体流水线，利用多个前沿的大语言模型（LLM）独立地从PubMed和PMC文献中提取知识。这种并行提取机制旨在利用不同模型的优势，减少单一模型的偏差。然而，提取并非终点，严格的过滤机制才是保证质量的关键。只有那些在多模型间达成共识、通过可信度过滤，并且与本体对齐的关系才会被保留在最终图谱中。

这一过程从1300万条原始提取结果中筛选出了460,497条高质量三元组。这种基于多模型共识和严格验证的构建方法，确保了图谱在复杂生物医学语境下的准确性和鲁棒性，避免了传统自动化构建中常见的噪声累积问题，为后续的临床应用奠定了坚实的数据基础。为了验证ChronoMedKG的有效性和实用性，研究团队进行了详尽的实验评估，包括与现有权威数据库的对齐测试以及构建专门的基准测试ChronoTQA。在对齐测试中，ChronoMedKG与Orphadata的一致性达到了92.7%，显示出极高的数据质量。更重要的是，它为6,250种在HPOA、Orphadata和Phenopackets中缺失时态信息的疾病添加了时态 grounding，其中包括1,657种Orphanet编码的罕见病，极大地扩展了覆盖范围。在ChronoTQA基准测试中，研究设置了3,341个问题，涵盖八种任务类型，包括六种时态任务和两种静态控制任务，并辅以12个问题的补充探针。

实验结果揭示了一个显著现象：前沿大语言模型从静态问题切换到时态问题时，得分平均下降约30分，表明当前模型在处理时间动态性方面存在巨大短板。然而，引入ChronoMedKG进行检索增强后，模型能够挽救47%-65%的长尾失败案例，相比之下，基于HPOA的检索增强仅能挽救17%-29%。这一结果有力地证明了时态信息在提升模型临床推理能力方面的决定性作用。ChronoMedKG的发布对生物医学信息学和人工智能临床应用领域具有深远的行业意义。首先，它为开源社区和研究人员提供了一个包含丰富时态信息的标准化资源，解决了长期存在的纵向数据缺失问题。其次，在工业落地方面，该图谱显著提升了检索增强生成系统在复杂临床场景下的表现，特别是在处理罕见病和动态病程推理时，能够大幅减少模型的幻觉和错误。这对于开发辅助诊断系统和个性化医疗平台至关重要。最后，本研究揭示的大模型在时态推理上的性能差距，为后续研究指明了方向，即未来的模型架构和训练策略需要更加重视时间动态性的建模。ChronoMedKG不仅是一个数据集，更是一个推动临床AI从静态知识检索向动态临床推理演进的关键基础设施，有望加速精准医疗的智能化进程。