下游KG與GNN模型的范例解說

1   複習：三層KG架構

首先復習已經詳細介紹過的< 三層KG 架構>。然后基于這項創新架構，可以構建出一種<KG+GNN+LLM>整合式知識推理流程。其包含LLM 協助構建知識圖譜（KG）、GNN推理潛在知識與反事實邊、人類進行創新決策后回饋知識圖，最終結合RAG與LLM完成可信、可控、可更新的主權AI 演化生態圈。此生態圈的最大價值是：

●   從無到有（用LLM建立KG）：使用BERTopic預訓練模型擷取候選實體，并由LLM 萃取語意關系并建構初步三元組（Triple）圖譜，大幅提升初建KG 的在地性與語義密度。

●   從靜態到推理（用GNN 和CF 探索）：訊練GNN預測潛在關系，并透過GAT、R-GCN 等模型進行鏈接預測，探索反事實連結（CF Link），來激勵人們的反事實思考（CF Thinking）。其將傳統AI 推理升級為反事實推理與探索。

●   從推理到創新（人機協作產生決策）：人類開始進行創新思考，并對潛在關系進行專家審查和反思，優化人們的決策。其中，引入了人機協作治理，人類專家主導反事實推理的解釋與修正，避免AI 幻覺的偏差。

●   從創新到資產化（知識回饋更新KG，讓KG 不斷進化）：依據人的決策回饋，來更新KG，形成動態進化式的知識生態。然后，透過RAG 框架，讓LLM 響應與企業內知識結合，提升準確與可信度。

2   支援下游應用任務

在上一期里，已成功演示了一個案例，其中訓練出一個能夠把突變數據轉換成嵌入向量的中游KG + GNN模型，而且嵌入已儲存于mutation_embeddings_gin.csv檔案里，可供給下游任務使用（如分類、群聚、可視化、或與影像特征融合等）。中游KG 扮演行業語境的橋梁，讓LLM能入鄉隨俗，理解場域，成為可信任AI 的知識背景層（Context Layer）。

現在，基于已經訓練好的節點嵌入（Node Embedding），來支撐下游應用<KG + GNN> 模型。這項下游任務結合了醫學影像特征（Ultrasound/MRI）進行多模態推論，也將GNN輸出的嵌入與CNN影像特征進行融合，提供AI輔助診斷（如預測、分類等）。如下圖3 所示：

圖3

這樣可以順利訓練出一個能夠把突變數據轉換成嵌入向量的GNN模型，能產生節點的嵌入向量（Embedding），來提供給后續的下游任務使用（如分類、群聚、或與影像特征融合等）。例如，下游任務可以結合醫學影像特征（Ultrasound/MRI）進行多模態推論，也將GNN 輸出的嵌入與CNN影像特征進行融合，提供AI 輔助診斷（如預測、分類）等各種應用。

3   實踐范例

例如，乳腺癌癥的診斷與治療策略高度仰賴基因、突變、生物標志物與病理影像等異質信息。而上述的三階段知識圖譜架構（KG）為基礎的乳腺癌主權AI 解決方案。透過串接國際生物醫學數據、結合院內檢測與病例數據，最終建構可用于推理、推薦與決策輔助的AI系統。例如，結合病理影像模型與KG 多模態推理，建構問答式臨床決策支持接口，進而- 建立跨院共享型乳癌主權知識平臺等。

此范例使用Python代碼來實踐模型訓練，并搭配xlwings和openvino套件，來提供可操作的Excel畫面和部署（Deployment）環境。首先，開啟ee01.py，如下：

Step-1：建立下游KG

接著，執行它（即ii01.py），并且在Excel 畫面按下< 建立下游KG> 按鈕，就建立了一個下游KG（圖-2）：

這個下游KG 含有4 種節點：疾病（cancer）、基因（gene）、突變（mutation）和超聲波檢測（ultra），其整合ultra節點特征參與訊息傳遞與分類。這種以疾病－基因－藥物為核心的多重鏈接結構，非常適合用KG+GNN建模。此類系統若整合影像與知識，可有效推促進醫療AI的發展。例如本案例融合了Ultra node所提供的視覺特征，進一步提升癌癥分類的準確性與上下文理解能力。

同時，這個下游KG可賦能乳癌精準醫療，從串聯基因與治療決策邏輯，透過attention與反事實推理回溯依據，提升AI推論可解釋性。并且符合主權AI要求：數據本地處理、自研模型訓練、決策過程可控。

Step-2：訓練GNN模型

接著，按下< 訓練下游模型>，就展開訓練GNN流程，如下：

訓練完成了，就導出ONNX模型，并儲存于ultra_cancer_classifier.onnx檔案里，將會在OpenVINO 平臺上進行模型部署。

除了醫療領域之外，在其它制造業、醫療、法務、教育等「需本地知識又要求精準推理」的場景中，上述方法都具高度適用性。而且，不需要訓練大型模型，只需整合KG+GNN+LLM，就能實踐商業應用目標。

Step-3：部署模型&推論

接著，按下<OpenVINO 部署&推論>，就出現：

于是，完成了「用下游KG來預測癌癥類型」的初步實作。其將影像推論（ultra 特征）作為語意節點納入異質知識圖中，透過GNN 傳遞形成融合的癌癥語義表示。最終分類器已導出為ONNX，可于OpenVINO 原型環境下進行輕量推論。

這使用突變+ 基因節點特征，透過異質GNN，預測癌癥節點的類別（乳癌vs 非乳癌）。這下游任務中的GNN模型訓練與推理（例如癌癥分類、mutation 預測）。

本案例的系統架構，也可預測多種癌癥（如Bladder Cancer、Bone Cancer、Breast Neoplasms 等），并透過混淆矩陣與ROC 曲線驗證模型判斷能力，證實中游語義嵌入能有效支持下游分類任務。

4   結語

由于許多AI 部署流程， 常常缺乏語境在地化（Contextualization）特性，導致模型布署后難以完全貼合本地知識、生產流程與客戶需求。這種以中游KG 作為語境支撐層，讓下游AI 系統真正入鄉隨俗、自主成長。

例如，藉由知識圖譜結構化推理與持續自我更新，AI甚至能預測、引導、優化用戶的決策，達成超越人類直覺的智慧支持。也讓每一個裝置，都能懂你，而且比你更懂你！

（本文來源于《EEPW》202507）