医疗图神经网络采用Google Deepming最新的图神经网络技术，结合知识图谱、因果推理网络和深度学习技术，模拟执业医生思维模式，创建接近或达到人类专家水平的医疗自动/辅助诊断系统。
疾病建模
对于每种疾病，我们从四个方面来进行建模：流行病学、病程、症状和综合征、机制。
流行病学主要解决谁会得这种疾病的问题，包括人口统计学信息，如性别、年龄、职业、民族、籍贯等，同时包括各种危险因素，例如肥胖、吸烟，或者其他慢性基础疾病，如糖尿病、高血压等，同时还包括暴露因素，如去疫区旅游，同时也包括一些生活习惯方面的因素，如熬夜和养宠物等。
病程方面主要指疾病发病时间上的特点，从发病快慢上可以分为超急性（发病时间小时到天计）、急性（发病时间以天计）、亚急性（发病时间以周计）、慢性（发病时间以月计），同时还应该包括发病规律，如是持续加剧、持续稳定、持续减轻，或者间歇性发作，如时轻时重等。
症状和综合征是诊断疾病最重要的因素，我们需要重点应用比较学习的方法，将具有相同症状的疾病，对比起来进行学习，找出确诊症状，如某种症状只有某种疾病才会有，从而迅速确诊，或者排除症状，即如果有某个症状，则不可能是某种疾病。
为了对疾病进行深入研究，我们需要了解疾病的发病机制。
图神经网络概要设计
子图设计
图神经网络由可以自由组合在一起的子图组成，所以我们只需要讨论子图的设计。每个子图有输入向量，可以接收其他子图的输出信息，或者其他深度学习网络层的输出信息，如多层感知器（MLP）、卷积神经网络（CNN）、递归神经网络（RNN）等。子图同时具有输出向量，代表子图的状态，可以将其接入其他子图或者深度学习的网络层。子图同时具有上下文对象，在每种不同的上下文中，子图的功能和属性的含义会有所不同。子图可以具有多个属性。
在本质上，图神经网络就是一个有向图（DAG），我们这里采用临接表的方式来存储图的结构。为了更方便进行推理，我们同时维护两套结构。第一套是以有向边的起点编号为key，值为该起点所有指向的顶点编号的列表；第二套是以有向边指向的顶点编号为key，值为对应边起点的顶点编号的列表。
实体（顶点）设计
顶点相当于知识图谱的实体，顶点具有唯一的编号，是一个自增长的长整型数字。顶点上下文列表，顶点的上下文与子图的上下文相同。
顶点具有多个属性，属性类别有：描述性、定性、数量关系等，同时属性还有性质，可以为必须（必须具有该属性才算正确），可选（有或没有不影响最终的正确性）。
顶点同时具有特征，为一个向量，内容与深度学习中网络层的向量含义相同。
关系（边）设计
边相当于知识图谱中的关系，具有具有唯一的编号，是一个自增长的长整型数字。关系（边）上下文列表，关系（边）的上下文与子图的上下文相同。
关系（边）具有多个属性，属性类别有：描述性、定性、数量关系等，同时属性还有性质，可以为必须（必须具有该属性才算正确），可选（有或没有不影响最终的正确性）。
关系（边）同时具有特征，为一个向量，内容与深度学习中网络层的向量含义相同。
在下一篇博文中，我们讨论怎样构建一个最小的图神经网络。
本文所对应的项目：医疗图神经网络Github地址
科研众筹对赌协议
为了验证我们的图神经网络的正确性，我们给自己定了一个宏伟的计划，即在一到两年的时间，通过中国的执业医师资格考试。大家知道这是一个非常难的目标，需要大量的时间和精力，同时需要潜心研究，突破一些技术上的障碍，但是如果我们成功了，不仅可以证明最新的图神经网络确实适合医疗诊断应用，同时也可以为有效解决我国基层医疗水平不足的问题，具有巨大的社会和经济效益。所有这些，以我们一己之力，是无法办到的，所以我们需要大家的支持。
我们找到众科空间作为第三方，大家对项目支持的资金，会汇入众科空间的账户，由众科空间代为保管。如果我们在2019年到2020年，在大家公推的公证机构公证下，通过执业医师资格考试，则众科空间会将大家支持的资金转给我们，用于补偿我们的研发费用。如果我们不能在两年内通过执业医师考试，则众科空间负责将大家支持的资金返还给大家。