温馨提示：文末有 CSDN 平台官方提供的学长 QQ 名片 :)
一、项目背景与意义
随着人们生活水平的提高，健康问题日益受到重视。然而，优质医疗资源相对稀缺，医院人满为患，普通患者在面对常见病症时往往缺乏专业的指导，容易产生恐慌或盲目就医。
医疗智能问诊系统应运而生，它利用自然语言处理（NLP）和知识图谱（Knowledge Graph）技术，将海量的医学教材、指南和病例数据结构化，构建成医疗知识库。用户可以通过自然语言与系统交互，系统能精准识别用户意图（如"感冒了吃什么药？"、"头痛是什么原因？"），并从知识库中检索准确答案。
系统的主要意义在于：
- 分级诊疗辅助：为患者提供初步诊断建议，缓解线下门诊压力。
- 知识科普：以直观的图谱形式展示疾病、症状、药物之间的关联，普及医学常识。
- 7x24小时服务：提供即时、便捷的在线问诊服务。
系统演示视频及代码详情：https://www.bilibili.com/video/BV1sditBLE2o/
二、系统技术架构
本系统采用 B/S（Browser/Server）架构，前后端分离开发（逻辑上分离，物理上通过模板渲染）。
1. 技术栈
- 开发语言：Python 3.10
- Web 框架：Flask (轻量级、易扩展)
- 数据库：SQLite (轻量级关系型数据库，存储结构化知识)
- 前端技术 ：HTML5, CSS3 (TailwindCSS), JavaScript, D3.js (知识图谱可视化)
- NLP 核心库 ：
ahocorasick(AC自动机，用于高效多模式匹配),jieba(辅助分词，本项目主要依赖 AC 自动机)
2. 架构分层
- 数据层：存储医疗实体（疾病、药物、症状等）及其关系，以及用户信息。本项目为了简化部署，使用 SQLite 存储结构化的"三元组"信息。
- 算法层 ：
- 实体识别：利用 AC 自动机算法从用户问句中快速提取医疗实体。
- 意图识别：基于特征词（如"怎么治"、"多少钱"）的规则匹配算法，判断用户提问类型。
- 应用层：Flask 处理 HTTP 请求，调度算法层返回答案，并渲染 HTML 页面。
- 表现层：用户交互界面，包括聊天窗口、图谱展示页面等。
三、关键技术与实现逻辑
3.1 核心问答算法（Chatbot Logic）
系统的核心在于理解用户的自然语言提问。我们没有使用复杂的深度学习模型（如 BERT），而是设计了一套高效的基于规则与关键词匹配的算法，非常适合垂直领域的精确问答。
处理流程：
- 加载词典：系统启动时，加载疾病、科室、症状、药物等几大类实体的特征词库。
- 构建 AC 自动机 ：使用
pyahocorasick库将数万个特征词构建成 Trie 树，实现 O(n)O(n) 复杂度的快速扫描。 - 意图分类 ：根据问句中包含的"疑问词"（如"为什么"、"吃什么"）和"实体类型"（如"疾病"、"症状"），将问题分为 10+ 类（如
user_intent_symptom查询症状,user_intent_cure查询治疗方法）。 - SQL 查询：根据分类结果构造 SQL 语句，从数据库中提取对应字段。
核心代码片段（基于特征词的分类）：
python
# question_classifier.py
def classify(self, question):
data = {}
# 1. 实体识别 (AC自动机)
medical_dict = self.check_medical(question)
if not medical_dict:
return {}
# 2. 收集实体类型
types = []
for type_ in medical_dict.values():
types += type_
question_types = []
# 3. 规则匹配意图
# 例如：如果问句包含"症状"相关词且包含"疾病"实体 -> 询问某病的症状
if self.check_words(self.symptom_qwds, question) and ('disease' in types):
question_types.append('disease_symptom')
# 例如：如果问句包含"原因"相关词且包含"疾病"实体 -> 询问病因
if self.check_words(self.cause_qwds, question) and ('disease' in types):
question_types.append('disease_cause')
# ... (省略其他十几种规则)
data['question_types'] = question_types
data['args'] = medical_dict
return data3.2 知识图谱构建与存储
本项目将非结构化的文本数据（如《内科学》教材内容）清洗后，转化为结构化的字段存储在 Medical 表中。虽然底层使用关系型数据库 SQLite，但在逻辑上我们维护了图谱结构（实体-关系-实体）。
数据模型设计 (models.py)：
python
class Medical(db.Model):
id = db.Column(db.Integer, primary_key=True)
name = db.Column(db.String(100), unique=True, index=True) # 实体名：疾病
desc = db.Column(db.Text) # 属性：描述
category = db.Column(db.String(255)) # 关系：属于科室
symptom = db.Column(db.Text) # 关系：包含症状 (以逗号分隔存储)
recommand_drug = db.Column(db.Text) # 关系：推荐药物
# ... 其他字段如 check(检查), prevent(预防), cure_way(治疗方式)这种设计在毕设规模下既保证了查询效率，又避免了引入 Neo4j 带来的部署复杂度。
3.3 知识图谱可视化 (D3.js)
为了让"知识"看得见，我们使用 D3.js (Data-Driven Documents) 库实现了力导向图（Force-Directed Graph）。
实现原理：
- API 接口 ：后端
/api/graph_data接口接收查询词，从数据库中查询相关联的实体（如查询"感冒"，返回"感冒"节点及其关联的"头痛"、"发烧"节点，"呼吸内科"节点等）。 - 前端渲染 ：前端接收
nodes和links数据，利用 D3 的forceSimulation模拟物理引力和斥力，生成动态平衡的网络图。
前端代码片段块 (templates/graph.html)：
python
let simulation = d3.forceSimulation()
.force("link", d3.forceLink().id(d => d.id).distance(100)) // 连线引力
.force("charge", d3.forceManyBody().strength(-150)) // 节点斥力（防重叠）
.force("center", d3.forceCenter(width / 2, height / 2)); // 中心引力
// 颜色映射：不同类型的节点显示不同颜色
const colorMap = {
'disease': '#3b82f6', // 蓝色
'category': '#ec4899', // 粉色
'symptom': '#ef4444', // 红色
'drug': '#10b981' // 绿色
};四、系统功能展示
1. 首页
2. 用户注册登录
3. 疾病搜索
支持模糊搜索，用户输入关键词即可查看相关疾病的详细百科信息，包括简介、病因、预防、并发症等。
4. 疾病详情页
5. 智能问答对话
用户在聊天框输入问题，如"感冒了怎么办？"，系统自动回答治疗建议、推荐药物等。支持多轮对话风格（一问一答）。
6. 知识图谱可视化
系统最具特色的功能。通过动态的力导向图，展示疾病与症状、科室、药物之间的网状关系。支持拖拽节点、缩放查看、全局搜索定位节点。
五、总结与展望
本系统成功实现了一个轻量级的医疗智能问答 Demo，巧妙地结合了传统的规则匹配算法与 Web 开发技术。
- 响应速度快：AC 自动机算法极其高效。
- 准确度可控：基于规则的回答不会像生成式大模型那样产生"幻觉"，适合医疗领域的严谨性要求。
- 交互友好：图谱可视化提升了数据展示的趣味性和直观性。
不足与改进方向：
- 语义理解：对于口语化极强或表达含糊的问句，规则匹配可能失效。未来可引入 BERT 或 LLM (如 ChatGPT API) 进行意图识别增强。
- 图数据库：随着数据量增长，建议迁移至 Neo4j 以获得原生的图查询性能。
欢迎大家点赞、收藏、关注、评论啦 ，由于篇幅有限，只展示了部分核心代码。技术交流、源码获取 认准下方 CSDN 官方提供的学长 QQ 名片 :)
精彩专栏推荐订阅：
