[广州市]知识城东部快速路工程代建单位-招标公告

1   复习：三层KG架构

首先复习已经详细介绍过的< 三层KG 架构>。然后基于这项创新架构，可以构建出一种<KG+GNN+LLM>整合式知识推理流程。其包含LLM 协助构建知识图谱（KG）、GNN推理潜在知识与反事实边、人类进行创新决策后回馈知识图，最终结合RAG与LLM完成可信、可控、可更新的主权AI 演化生态圈。此生态圈的最大价值是：

●   从无到有（用LLM建立KG）：使用BERTopic预训练模型撷取候选实体，并由LLM 萃取语意关系并建构初步三元组（Triple）图谱，大幅提升初建KG 的在地性与语义密度。

●   从静态到推理（用GNN 和CF 探索）：讯练GNN预测潜在关系，并透过GAT、R-GCN 等模型进行链接预测，探索反事实连结（CF Link），来激励人们的反事实思考（CF Thinking）。其将传统AI 推理升级为反事实推理与探索。

●   从推理到创新（人机协作产生决策）：人类开始进行创新思考，并对潜在关系进行专家审查和反思，优化人们的决策。其中，引入了人机协作治理，人类专家主导反事实推理的解释与修正，避免AI 幻觉的偏差。

●   从创新到资产化（知识回馈更新KG，让KG 不断进化）：依据人的决策回馈，来更新KG，形成动态进化式的知识生态。然后，透过RAG 框架，让LLM 响应与企业内知识结合，提升准确与可信度。

2   支援下游应用任务

在上一期里，已成功演示了一个案例，其中训练出一个能够把突变数据转换成嵌入向量的中游KG + GNN模型，而且嵌入已储存于mutation_embeddings_gin.csv档案里，可供给下游任务使用（如分类、群聚、可视化、或与影像特征融合等）。中游KG 扮演行业语境的桥梁，让LLM能入乡随俗，理解场域，成为可信任AI 的知识背景层（Context Layer）。

现在，基于已经训练好的节点嵌入（Node Embedding），来支撑下游应用<KG + GNN> 模型。这项下游任务结合了医学影像特征（Ultrasound/MRI）进行多模态推论，也将GNN输出的嵌入与CNN影像特征进行融合，提供AI辅助诊断（如预测、分类等）。如下图3 所示：

图3

这样可以顺利训练出一个能够把突变数据转换成嵌入向量的GNN模型，能产生节点的嵌入向量（Embedding），来提供给后续的下游任务使用（如分类、群聚、或与影像特征融合等）。例如，下游任务可以结合医学影像特征（Ultrasound/MRI）进行多模态推论，也将GNN 输出的嵌入与CNN影像特征进行融合，提供AI 辅助诊断（如预测、分类）等各种应用。

3   实践范例

例如，乳腺癌症的诊断与治疗策略高度仰赖基因、突变、生物标志物与病理影像等异质信息。而上述的三阶段知识图谱架构（KG）为基础的乳腺癌主权AI 解决方案。透过串接国际生物医学数据、结合院内检测与病例数据，最终建构可用于推理、推荐与决策辅助的AI系统。例如，结合病理影像模型与KG 多模态推理，建构问答式临床决策支持接口，进而- 建立跨院共享型乳癌主权知识平台等。

此范例使用Python代码来实践模型训练，并搭配xlwings和openvino套件，来提供可操作的Excel画面和部署（Deployment）环境。首先，开启ee01.py，如下：

Step-1：建立下游KG

接着，执行它（即ii01.py），并且在Excel 画面按下< 建立下游KG> 按钮，就建立了一个下游KG（图-2）：

这个下游KG 含有4 种节点：疾病（cancer）、基因（gene）、突变（mutation）和超声波检测（ultra），其整合ultra节点特征参与讯息传递与分类。这种以疾病－基因－药物为核心的多重链接结构，非常适合用KG+GNN建模。此类系统若整合影像与知识，可有效推促进医疗AI的发展。例如本案例融合了Ultra node所提供的视觉特征，进一步提升癌症分类的准确性与上下文理解能力。

同时，这个下游KG可赋能乳癌精准医疗，从串联基因与治疗决策逻辑，透过attention与反事实推理回溯依据，提升AI推论可解释性。并且符合主权AI要求：数据本地处理、自研模型训练、决策过程可控。

Step-2：训练GNN模型

接着，按下< 训练下游模型>，就展开训练GNN流程，如下：

训练完成了，就导出ONNX模型，并储存于ultra_cancer_classifier.onnx档案里，将会在OpenVINO 平台上进行模型部署。

除了医疗领域之外，在其它制造业、医疗、法务、教育等「需本地知识又要求精准推理」的场景中，上述方法都具高度适用性。而且，不需要训练大型模型，只需整合KG+GNN+LLM，就能实践商业应用目标。

Step-3：部署模型&推論

接着，按下<OpenVINO 部署&推论>，就出现：

于是，完成了「用下游KG来预测癌症类型」的初步实作。其将影像推论（ultra 特征）作为语意节点纳入异质知识图中，透过GNN 传递形成融合的癌症语义表示。最终分类器已导出为ONNX，可于OpenVINO 原型环境下进行轻量推论。

这使用突变+ 基因节点特征，透过异质GNN，预测癌症节点的类别（乳癌vs 非乳癌）。这下游任务中的GNN模型训练与推理（例如癌症分类、mutation 预测）。本案例的系统架构，也可预测多种癌症（如Bladder Cancer、Bone Cancer、Breast Neoplasms 等），并透过混淆矩阵与ROC 曲线验证模型判断能力，证实中游语义嵌入能有效支持下游分类任务。

4   结语

由于许多AI 部署流程， 常常缺乏语境在地化（Contextualization）特性，导致模型布署后难以完全贴合本地知识、生产流程与客户需求。这种以中游KG 作为语境支撑层，让下游AI 系統真正入乡随俗、自主成长。

例如，藉由知识图谱结构化推理与持续自我更新，AI甚至能预测、引导、优化用户的决策，达成超越人类直觉的智慧支持。也让每一个装置，都能懂你，而且比你更懂你！

（本文来源于《EEPW》202507）