最近，我发现了一个 neo4j-runway 项目。Neo4j Runway 是一个 Python 库，简化了将关系数据迁移到图数据库的过程。
它提供了与 OpenAI 交互的工具，用于数据发现和生成数据模型，还提供了生成代码和将数据加载到 Neo4j 实例中的工具。
换句话说，通过上传 CSV 文件，大模型将识别节点之间关系，并自动生成知识图谱。
在健康医疗领域，知识图谱是一种强大的工具，用于组织和分析复杂的医疗数据。
这些图谱以一种更易于理解的方式结构化信息，使得不同实体之间的关系更加清晰，例如疾病、治疗、患者和医疗提供者。
知识图谱在健康医疗行业有以下一些有用的应用：
整合多样化的数据源。知识图谱可以整合来自各种来源的数据，如电子健康记录（EHRs）、医学研究论文、临床试验结果、基因组数据和患者历史记录。
改进临床决策。通过链接症状、诊断、治疗和结果，知识图谱可以增强临床决策支持系统（CDSS），因为它们考虑了大量相互关联的医学知识，可能提高诊断准确性和治疗效果。在本文中，我将探讨这一主题。
个性化医疗。通过将患者特定数据与更广泛的医学知识相关联，促进制定个性化治疗计划。这包括理解基因信息、疾病机制和治疗反应之间的关系，从而提供更量身定制的医疗。
加速新药研发。在制药研究中，知识图谱可以通过识别潜在药物靶点和理解疾病涉及的生物路径，加速新药研发。
公共卫生与流行病学。有助于追踪疾病爆发、理解流行病学趋势和规划干预措施。因为它们可以整合来自各种公共卫生数据库、社交媒体和其他来源的数据，提供关于公共卫生威胁的实时洞察。
1
Neo4j Runway 是由 Alex Gilmore 创建的开源库。你可以在这里找到代码库。
代码库：https://github.com/a-s-g93/neo4j-runway
目前，该库仅支持使用 OpenAI 的大模型解析 CSV，并提供以下功能：
• 提取数据：利用大模型从数据中提取有意义的见解。
• 图数据建模：使用 OpenAI 和 Instructor Python 库开发准确的图数据模型。
• 数据摄取：利用 Runway 内置的 PyIngest ，将数据加载到 Neo4j 中。
• 无需编写 Cypher 语句， 因为大模型会完成所有工作。
本文除了演示用大模型把CSV文件转为知识图谱外。我还使用了 Langchain 的 GraphCypherQAChain，用提示词生成 Cypher，无需编写一行 Cypher（用于查询 Neo4j 图数据库的 SQL 类语言）即可查询图谱。
该库给了一个金融行业的示例，本文我将测试在健康医疗场景中的效果。
从 Kaggle 上一个非常简单的数据集开始（疾病症状和患者档案数据集）。
该数据集只有 10 列（疾病、发烧、咳嗽、疲劳、呼吸困难、年龄、性别、血压、胆固醇水平和结果变量），我希望能够向大模型提供医疗报告，以获得诊断假设。
数据集：https://www.kaggle.com/datasets/uom190346a/disease-symptoms-and-patient-profile-dataset
2
让我们直接进入代码部分。
加载所需的库和环境变量
首先，加载所需的库：
sudo apt install python3-pydot graphviz
pip install neo4j-runway
import numpy as npimport pandas as pdfrom neo4j_runway import Discovery, GraphDataModeler, IngestionGenerator, LLM, PyIngestfrom IPython.display import display, Markdown, Image
加载环境变量：在 Neo4j Aura 中创建实例并进行身份验证。
load_dotenv()OPENAI_API_KEY = os.getenv('sk-openaiapikeyhere')NEO4J_URL = os.getenv('neo4j+s://your.databases.neo4j.io')NEO4J_PASSWORD = os.getenv('yourneo4jpassword')加载医疗数据并整理格式
从 Kaggle 网站下载 CSV 文件，并将其加载到 Jupyter notebook 中。这个数据集非常简单，但对于测试概念非常有用。
disease_df = pd.read_csv('/home/user/Disease_symptom.csv')disease_df
例如，我们可以创建一个列表，列出所有导致呼吸困难的疾病，这不仅对选择图中的节点很有趣，也有助于开发诊断假设：
disease_df[disease_df['Difficulty Breathing']=='Yes']
所有变量必须是字符串（库是这样设计的），即使是整数。
然后，我们保存 CSV 文件：
disease_df.columns = disease_df.columns.str.strip()for i in disease_df.columns:disease_df[i] = disease_df[i].astype(str)disease_df.to_csv('/home/user/disease_prepared.csv', index=False)
现在，我们将为大模型描述数据，包括每个字段的可能值：
DATA_DESCRIPTION = {'Disease': 'The name of the disease or medical condition.','Fever': 'Indicates whether the patient has a fever (Yes/No).','Cough': 'Indicates whether the patient has a cough (Yes/No).','Fatigue': 'Indicates whether the patient experiences fatigue (Yes/No).','Difficulty Breathing': 'Indicates whether the patient has difficulty breathing (Yes/No).','Age': 'The age of the patient in years.','Gender': 'The gender of the patient (Male/Female).','Blood Pressure': 'The blood pressure level of the patient (Normal/High).','Cholesterol Level': 'The cholesterol level of the patient (Normal/High).','Outcome Variable': 'The outcome variable indicating the result of the diagnosis or assessment for the specific disease (Positive/Negative).'}
用大模型识别重要数据
下一步是让大模型分析表格数据，识别对生成图数据模型重要的数据元素。
disc = Discovery(llm=llm, user_input=DATA_DESCRIPTION, data=disease_df)disc.run()
这将生成数据分析的 Markdown 输出：
创建初始模型
现在，让我们创建初始模型：
# instantiate graph data modelergdm = GraphDataModeler(llm=llm, discovery=disc)# generate modelgdm.create_initial_model()# visualize the data modelgdm.current_model.visualize()
这里，我的重点是疾病，所以我们将重新排列一些关系。
gdm.iterate_model(user_corrections='''
Let's think step by step. Please make the following updates to the data model:
1. Remove the relationships between Patient and Disease, between Patient and Symptom and between Patient and Outcome.
2. Change the Patient node into Demographics.
3. Create a relationship HAS_DEMOGRAPHICS from Disease to Demographics.
4. Create a relationship HAS_SYMPTOM from Disease to Symptom. If the Symptom value is No, remove this relationship.
5. Create a relationship HAS_LAB from Disease to HealthIndicator.
6. Create a relationship HAS_OUTCOME from Disease to Outcome.
''')
from IPython.display import Image, display
gdm.current_model.visualize().render('output', format='png')
# Load and display the image with a specific width
img = Image('output.png', width=1200) # Adjust the width as needed
display(img
用Neo4j生成图谱
现在我们可以生成 Cypher 代码和 YAML 文件，将数据加载到 Neo4j 中。
如果你只是测试或第二次执行此操作，可能需要将实例重置为空白状态（清除所有内容）。
# instantiate ingestion generator
gen = IngestionGenerator(data_model=gdm.current_model,
username="neo4j",
password='yourneo4jpasswordhere',
uri='neo4j+s://123654888.databases.neo4j.io',
database="neo4j",
csv_dir="/home/user/",
csv_name="disease_prepared.csv")
# create ingestion YAML
pyingest_yaml = gen.generate_pyingest_yaml_string()
# save local copy of YAML
gen.generate_pyingest_yaml_file(file_name="disease_prepared")
一切准备就绪。让我们将数据加载到实例中：
PyIngest(yaml_string=pyingest_yaml, dataframe=disease_df)
进入 Neo4j Aura 实例，打开，输入你的密码，并通过 Cypher 运行此查询：
MATCH (n)WHERE n:Demographics OR n:Disease OR n:Symptom OR n:Outcome OR n:HealthIndicatorOPTIONAL MATCH (n)-[r]->(m)RETURN n, r, m
按下 CTRL + ENTER，你将看到以下结果：
检查节点和关系后，我们发现症状、健康指标和人口统计数据之间有大量的相互连接：
让我们看看糖尿病。由于没有应用过滤器，男性和女性都会出现，以及所有的实验室、人口统计和结果的可能性。
MATCH (n:Disease {name: 'Diabetes'})WHERE n:Demographics OR n:Disease OR n:Symptom OR n:Outcome OR n:HealthIndicatorOPTIONAL MATCH (n)-[r]->(m)RETURN n, r, m
或者查看所有在临床检查中表现出高血压的疾病：
// Match the Disease nodesMATCH (d:Disease)// Match HAS_LAB relationships from Disease nodes to Lab nodesMATCH (d)-[r:HAS_LAB]->(l)MATCH (d)-[r2:HAS_OUTCOME]->(o)// Ensure the Lab nodes have the bloodPressure property set to 'High'WHERE l.bloodPressure = 'High' AND o.result='Positive'RETURN d, properties(d) AS disease_properties, r, properties(r) AS relationship_properties, l, properties(l) AS lab_properties
3
接下来我们向大模型（在本例中是 Google 的 Gemini-1.5-Flash）提交一份医疗报告，让它通过 Langchain（GraphCypherQAChain）自动生成 Cypher 查询，基于症状、健康指标等，返回患者可能患有的疾病。
让我们开始吧：
import warnings
import json
from langchain_community.graphsimportNeo4jGraph
with warnings.catch_warnings():
warnings.simplefilter('ignore')
NEO4J_USERNAME = "neo4j"
NEO4J_DATABASE = 'neo4j'
NEO4J_URI = 'neo4j+s://1236547.databases.neo4j.io'
NEO4J_PASSWORD = 'yourneo4jdatabasepasswordhere'
从实例中获取知识图谱和模式：这里有节点属性和关系属性。
kg = Neo4jGraph(url=NEO4J_URI, username=NEO4J_USERNAME, password=NEO4J_PASSWORD, database=NEO4J_DATABASE)kg.refresh_schema()print(textwrap.fill(kg.schema, 60))schema=kg.schema
初始化 Vertex AI Gemini-1.5-Flash：
from langchain.prompts.prompt import PromptTemplatefrom langchain.chains import GraphCypherQAChainfrom langchain.llms import VertexAI# Initialize Vertex AIvertexai.init(project="your-project", location="us-west4")llm = VertexAI(model="gemini-1.5-flash")
现在是最难的部分。为 Gemini-1.5-Flash 创建详细的指令，让它自动生成 Cypher 查询图数据库并获取我们需要的结果。
我们需要一个主提示词！一步步思考+少样本提示。
prompt_template = """
Let's think step by step:
Step1: Task:
Generate an effective and concise Cypher statement with less than 256 characteres to query a graph database
Do not comment the code.
Step 2: Get to know the database schema: {schema}
Step 3: Instructions:
- In the cypher query, ONLY USE the provided relationship types and properties that appear in the schema AND in the user question.
- In the cypher query, do not use any other relationship types or properties in the user's question that are not contained in the provided schema.
- Regarding Age, NEVER work with the age itself. For example: 24 years old, use interval: more than 20 years old.
- USE ONLY ONE statement for Age, always use 'greater than', never 'less than' or 'equal'.
- DO NOT USE property keys that are not in the database.
Step 4: Examples:
Here are a few examples of generated Cypher statements for particular questions:
4.1 Which diseases present high blood pressure?
MATCH (d:Disease)
MATCH (d)-[r:HAS_LAB]->(l)
WHERE l.bloodPressure = 'High'
RETURN d.name
4.2 Which diseases present indicators as high blood pressure?
// Match the Disease nodes
MATCH (d:Disease)
// Match HAS_LAB relationships from Disease nodes to Lab nodes
MATCH (d)-[r:HAS_LAB]->(l)
MATCH (d)-[r2:HAS_OUTCOME]->(o)
// Ensure the Lab nodes have the bloodPressure property set to 'High'
WHERE l.bloodPressure = 'High' AND o.result='Positive'
RETURN d, properties(d) AS disease_properties, r, properties(r) AS relationship_properties, l, properties(l) AS lab_properties
4.3 What is the name of a disease of the elderly where the patient presents high blood pressure, high cholesterol, fever, fatigue
MATCH (d:Disease)
MATCH (d)-[r1:HAS_LAB]->(lab)
MATCH (d)-[r2:HAS_SYMPTOM]->(symptom)
MATCH (symptom)-[r3:HAS_DEMOGRAPHICS]->(demo)
WHERE lab.bloodPressure = 'High' AND lab.cholesterolLevel = 'High' AND symptom.fever = 'Yes' AND symptom.fatigue = 'Yes' AND TOINTEGER(demo.age) >40
RETURN d.name
4.4 What disease gives you fever, fatigue, no cough, no short breathe in people with high cholesterol?
MATCH (d:Disease)-[r:HAS_SYMPTOM]->(s:Symptom)
WHERE s.fever = 'Yes' AND s.fatigue = 'Yes' AND s.difficultyBreathing = 'No' AND s.cough = 'No'
MATCH (d:Disease)-[r1:HAS_LAB]->(lab:HealthIndicator)
MATCH (d)-[r2:HAS_OUTCOME]->(o:Outcome)
WHERE lab.cholesterolLevel='High' AND o.result='Positive'
RETURN d, properties(d) AS disease_properties, r, properties(r) AS relationship_properties
Step 5. These are the values allowed for each entity:
- Fever: Indicates whether the patient has a fever (Yes/No).
- Cough: Indicates whether the patient has a cough (Yes/No).
- Fatigue: Indicates whether the patient experiences fatigue (Yes/No).
- Difficulty Breathing': 'Indicates whether the patient has difficulty breathing (Yes/No).
- Age: The age of the patient in years.
- Gender: The gender of the patient (Male/Female).
- Blood Pressure: The blood pressure level of the patient (Normal/High).
- Cholesterol Level: The cholesterol level of the patient (Normal/High).
- Outcome Variable: The outcome variable indicating the result of the diagnosis or assessment for the specific disease (Positive/Negative).
Step 6. Answer the question {question}."""
编者注：上面的提示词中文版如下：
prompt_template = """
让我们一步一步来：
步骤1：任务：
生成一个有效且简洁的 Cypher 语句，字符数不超过 256 个，用于查询图数据库。
不要对代码进行注释。
步骤2：了解数据库模式：{schema}
步骤3：指令：
- 在 Cypher 查询中，仅使用模式和用户问题中提供的关系类型和属性。
- 在 Cypher 查询中，不要使用用户问题中未包含在提供的模式中的其他关系类型或属性。
- 关于年龄，绝不要直接使用具体年龄。例如：24 岁，使用区间：大于 20 岁。
- 对于年龄，只使用一个语句，总是使用“大于”，从不使用“小于”或“等于”。
- 不要使用数据库中不存在的属性键。
步骤4：示例：
以下是针对特定问题生成的 Cypher 语句示例：
4.1 哪些疾病表现出高血压？
MATCH (d:Disease)
MATCH (d)-[r:HAS_LAB]->(l)
WHERE l.bloodPressure = 'High'
RETURN d.name
4.2 哪些疾病表现出高血压等指标？
// 匹配疾病节点
MATCH (d:Disease)
// 匹配从疾病节点到实验室节点的 HAS_LAB 关系
MATCH (d)-[r:HAS_LAB]->(l)
MATCH (d)-[r2:HAS_OUTCOME]->(o)
// 确保实验室节点的 bloodPressure 属性设置为 'High'
WHERE l.bloodPressure = 'High' AND o.result='Positive'
RETURN d, properties(d) AS disease_properties, r, properties(r) AS relationship_properties, l, properties(l) AS lab_properties
4.3 老年人患有高血压、高胆固醇、发烧、疲劳的疾病名称是什么？
MATCH (d:Disease)
MATCH (d)-[r1:HAS_LAB]->(lab)
MATCH (d)-[r2:HAS_SYMPTOM]->(symptom)
MATCH (symptom)-[r3:HAS_DEMOGRAPHICS]->(demo)
WHERE lab.bloodPressure = 'High' AND lab.cholesterolLevel = 'High' AND symptom.fever = 'Yes' AND symptom.fatigue = 'Yes' AND TOINTEGER(demo.age) >40
RETURN d.name
4.4 哪种疾病在高胆固醇人群中表现为发烧、疲劳、无咳嗽、无呼吸困难？
MATCH (d:Disease)-[r:HAS_SYMPTOM]->(s:Symptom)
WHERE s.fever = 'Yes' AND s.fatigue = 'Yes' AND s.difficultyBreathing = 'No' AND s.cough = 'No'
MATCH (d:Disease)-[r1:HAS_LAB]->(lab:HealthIndicator)
MATCH (d)-[r2:HAS_OUTCOME]->(o:Outcome)
WHERE lab.cholesterolLevel='High' AND o.result='Positive'
RETURN d, properties(d) AS disease_properties, r, properties(r) AS relationship_properties
步骤5：每个实体允许的值如下：
- 发烧：表示患者是否发烧（是/否）。
- 咳嗽：表示患者是否咳嗽（是/否）。
- 疲劳：表示患者是否感到疲劳（是/否）。
- 呼吸困难：表示患者是否呼吸困难（是/否）。
- 年龄：患者的年龄（以年为单位）。
- 性别：患者的性别（男/女）。
- 血压：患者的血压水平（正常/高）。
- 胆固醇水平：患者的胆固醇水平（正常/高）。
- 结果变量：表示特定疾病诊断或评估结果的变量（阳性/阴性）。
步骤6：回答问题 {question}。
"""
我们设置 GraphCypherQAChain
cypher_prompt = PromptTemplate(
input_variables=["schema","question"],
template=prompt_template
)
cypherChain = GraphCypherQAChain.from_llm(
VertexAI(temperature=0.1),
graph=kg,
verbose=True,
cypher_prompt=cypher_prompt,
top_k=10# this can be adjusted also
)
并提交医疗报告：
cypherChain.run("""
Patient Information:
Jane Doe, a 58-year-old female, was admitted on June 15, 2024.
Chief Complaint and History of Present Illness:
Jane reported a high fever up to 104°F, body pain, and a rash,
starting five days prior to admission.
Past Medical History:
Jane has no significant past medical history and no known allergies.
Physical Examination:
Jane's temperature was 102.8°F, heart rate 110 bpm, blood pressure 100/70 mmHg, and respiratory rate 20 breaths
per minute. No petechiae or purpura were noted.
What disease may she have?""")
输出结果：这里 Gemini-1.5-Flash 生成 Cypher 查询图数据库，通过 JSON 返回结果给 LLM，LLM 解释并返回可读的响应：
这个结果不考虑 Gemini-1.5-Flash 的知识库，只考虑它查询的知识图谱。想象一下，如果我们有一个包含 300 个特征的漂亮数据集！
注意，我们可以在 GraphCypherQAChain 中将 top\k 设置为 1 或其他值：
如果我们运行最后一个查询，我们将得到包含这些症状的 77 种疾病列表，但 top\k 设置为 1：
需要注意的是，当前 neo4j-runway 项目还不成熟，具有以下限制：
• 仅支持单个 CSV 输入用于数据模型生成
• 节点只能有一个标签
• 仅支持唯一性和节点/关系键约束
• 关系不能有唯一性约束
• CSV 列引用相同节点属性在模型生成中不受支持
• 目前仅支持 OpenAI 模型
• Runway 包含的修改版 PyIngest 函数仅支持加载本地 Pandas DataFrame 或 CSV。
