P1 · 宠物疾病本体推理系统

副标题：当 LLM 不够用时，如何让「症状 → 疾病」的推理可验证

作者：森林瀑布 ｜ GitHub 仓库：georgewangchn/OntologyOps

一、引言：为什么需要本体推理？

当你带着宠物去医院，医生询问症状后迅速给出诊断——这背后是一套符号推理过程：

患者：「医生，我的猫又吐又拉，还发烧。」 医生：「呕吐 + 腹泻 + 发热，首先考虑猫瘟或猫肠胃炎。做过血常规吗？」

这套推理过程，如果交给 LLM（大语言模型），会出现什么问题？

这正是《当 LLM 不够用了——本体推理的企业决策实践》一书的核心论点：在企业关键决策场景中，我们需要的不是「看起来对」的概率生成，而是「必定对」的可验证推理。

本项目（P1）用一个**真实落地的宠物医疗 CDSS（临床决策支持系统）**作为案例，展示本体推理的完整工作流程。

二、技术架构：三层推理 + 排除过滤

P1 采用三层推理架构，每层解决不同的问题：

┌─────────────────────────────────────────────────┐
│ 输入：病例（症状列表） │
│ 例：["发热", "呕吐", "腹泻"] │
└──────────────────────┬──────────────────────────┘
↓
┌─────────────────────────────────────────────────┐
│ Layer 1：OWL 分类（equivalent_to 双向推理） │
│ – HermiT 根据「充要条件」从症状反推疾病类 │
│ – 精确匹配：症状全满足 → 确定推断疾病 │
└──────────────────────┬──────────────────────────┘
↓
┌─────────────────────────────────────────────────┐
│ Layer 2：SWRL 规则（部分匹配 → 疑似候选） │
│ – 规则1：必要症状匹配 → suspected │
│ – 模糊补充：部分症状匹配也能捕获候选 │
└──────────────────────┬──────────────────────────┘
↓
┌─────────────────────────────────────────────────┐
│ Layer 3：排除过滤（SWRL + Python 双重排除） │
│ – 规则2：排除症状 → excluded │
│ – Python 检查：nos 注解命中 → 移除 │
└──────────────────────┬──────────────────────────┘
↓
┌─────────────────────────────────────────────────┐
│ 输出：疑似疾病列表（按置信度排序） │
│ 例：猫瘟(0.99) > 犬细小病毒(0.77) │
└─────────────────────────────────────────────────┘

2.1 三层知识编码

疾病诊断知识从 CSV 加载后，编码为三层 OWL 公理。以 D001 猫瘟（必要症状：发热、呕吐、腹泻；排除症状：咳嗽、流鼻涕）为例：

第一层 — 推理层（equivalent_to，充要条件）

# D001 ≡ 疾病 ∧ has.value(发热) ∧ has.value(呕吐) ∧ has.value(腹泻)
d.equivalent_to.append(
onto.疾病 & onto.has.value(发热) & onto.has.value(呕吐) & onto.has.value(腹泻)
)

这是双向推理的关键——HermiT 可以从"病例 has 这些症状"反推"病例 rdf:type D001"。

第二层 — 元数据层（SubClassOf + comment）

# necessary.value 限制（供置信度计算解析）
d.is_a.append(onto.necessary.value(发热))
d.is_a.append(onto.necessary.value(呕吐))
d.is_a.append(onto.necessary.value(腹泻))
# 排除症状存入 comment 注解（供 Python 排除检查解析）
d.comment.append("nos:咳嗽;流鼻涕")

第三层 — SWRL 层（疾病知识个体）

# 创建 D001_kb 个体，断言实例级 necessary / nos 属性
d_kb = onto.疾病("D001_kb")
d_kb.necessary.append(发热)
d_kb.necessary.append(呕吐)
d_kb.necessary.append(腹泻)
d_kb.nos.append(咳嗽)
d_kb.nos.append(流鼻涕)

为什么要第三层？因为 SWRL 规则 necessary(?d, ?s) 匹配的是实例级属性断言（ABox triple ?d necessary ?s），而疾病类本身是 TBox 概念，不是个体，无法被 SWRL 匹配。D001_kb 等个体提供了实例级断言，使 SWRL 规则可触发。

2.2 SWRL 规则推理

OWL 的表达能力有限（它是描述逻辑 SHOIN(D)），无法表达某些推理，比如：

「如果出现症状 X，且 X 在疾病 D 的排除症状列表中，则排除疾病 D」

这时需要 SWRL（Semantic Web Rule Language）：

// 规则1：必要症状匹配 → 疑似疾病
has(?p, ?s) ∧ necessary(?d, ?s) ∧ 疾病(?d) ∧ 症状(?s)
→ suspected(?p, ?d)

// 规则2：排除性症状 → 排除疾病
has(?p, ?s) ∧ nos(?d, ?s) ∧ 疾病(?d) ∧ 症状(?s)
→ excluded(?p, ?d)

在 owlready2 中，SWRL 规则通过 Imp 类实现：

from owlready2 import *

with onto:
rule1 = Imp()
rule1.label.append("necessary_symptom_rule")
rule1.set_as_rule("""
has(?p, ?s), necessary(?d, ?s),
疾病(?d), 症状(?s)
-> suspected(?p, ?d)
""")

📝 这些规则依赖第三层的疾病知识个体（D001_kb 等）提供实例级断言。没有这些个体，necessary(?d, ?s) 无法匹配，规则不会触发。

2.3 推理机（HermiT）

OWL 本体的推理复杂度是 NExpTime，需要专门的 Tableau 算法推理机。本项目选用 HermiT：

# 调用 HermiT 推理机
from owlready2 import sync_reasoner_hermit

with onto:
sync_reasoner_hermit([onto], infer_property_values=True, debug=0)

# 推理后，case_instance 会被自动分类到匹配的疾病类

三、实现细节

3.1 本体构建（onto_builder.py）

核心类与属性设计：

from owlready2 import *

onto = get_ontology("http://petbps.com/ontology/pet_disease")

with onto:
# 核心类
class 疾病(Thing): pass
class 症状(Thing): pass
class 物种(Thing): pass

# 对象属性
class has(ObjectProperty):
domain = [疾病]
range = [症状]

class necessary(ObjectProperty):
domain = [疾病]
range = [症状]

class nos(ObjectProperty):
domain = [疾病]
range = [症状]

# SWRL 规则推断属性
class suspected(ObjectProperty):
domain = [Thing]
range = [疾病]

class excluded(ObjectProperty):
domain = [Thing]
range = [疾病]

3.2 三层知识编码（从 CSV 加载）

疾病数据存储在 CSV 文件中：

疾病ID,疾病名称,物种,必要症状,排除症状,充分症状
D001,猫瘟,cat,发热;呕吐;腹泻,咳嗽;流鼻涕,白细胞减少
D002,猫感冒,cat,打喷嚏;流鼻涕,发热;呕吐,
D003,猫肠炎,cat,腹泻;呕吐,发热;咳嗽,
D004,犬细小病毒,dev,呕吐;腹泻;精神萎靡,咳嗽;,白细胞减少
…

加载与三层编码代码：

import pandas as pd

def add_symptom_relations(onto, csv_path):
df = pd.read_csv(csv_path, encoding="utf-8-sig")

with onto:
for _, row in df.iterrows():
d = onto[row["疾病ID"]]

# ── 必要症状 ──────────────────────
nec_symptoms = []
for sname in row["必要症状"].split(";"):
s_ind = onto[sname.strip()]
nec_symptoms.append(s_ind)
# 第二层：SubClassOf 元数据
d.is_a.append(onto.necessary.value(s_ind))

# 第一层：equivalent_to 充要条件
expr = onto.疾病
for s_ind in nec_symptoms:
expr = expr & onto.has.value(s_ind)
d.equivalent_to.append(expr)

# ── 排除症状 ──────────────────────
nos_symptoms = []
for sname in row["排除症状"].split(";"):
s_ind = onto[sname.strip()]
nos_symptoms.append(s_ind)
d.is_a.append(onto.nos.max(0, s_ind))
# 排除症状存入 comment 注解
d.comment.append("nos:" + ";".join(s.name for s in nos_symptoms))

# ── 第三层：疾病知识个体 ──────────
d_kb = onto.疾病(row["疾病ID"] + "_kb")
for s_ind in nec_symptoms:
d_kb.necessary.append(s_ind)
for s_ind in nos_symptoms:
d_kb.nos.append(s_ind)

3.3 诊断推理主流程（reasoner.py）

def diagnose(onto, case_dict):
"""
case_dict 格式：
{
"pet_type": "cat",
"symptoms": ["发热", "呕吐", "腹泻"],
"breed": "英短",
"age": 2
}
"""
# 0. 嵌入 SWRL 规则
onto = apply_swrl_rules(onto)

with onto:
# 1. 创建病例个体，断言症状
case_instance = Thing("case_001")
for sname in case_dict["symptoms"]:
case_instance.has.append(onto[sname])

# 2. HermiT 推理（OWL 分类 + SWRL 规则）
sync_reasoner_hermit([onto], infer_property_values=True, debug=0)

# 3. 第一层：OWL 分类结果
results = []
for cls in onto.疾病.descendants():
if case_instance in cls.instances():
results.append((cls, _calc_confidence(cls, case_dict, onto)))

# 4. 第二层：SWRL 补充的疑似候选
for d_kb in case_instance.suspected:
disease_cls = _map_kb_to_class(d_kb, onto) # D001_kb → D001
if disease_cls and disease_cls not in existing:
results.append((disease_cls, _calc_confidence(...)))

# 5. 第三层：排除过滤
excluded = {_map_kb_to_class(d, onto) for d in case_instance.excluded}
filtered = [(c, f) for c, f in results
if c not in excluded
and not (case_symptoms & set(_get_exclusion_symptoms(c)))]

# 6. 清理 + 排序
destroy_entity(case_instance)
return sorted(filtered, key=lambda x: x[1], reverse=True)

四、运行示例

输入一个病例：

case = {
"pet_type": "cat",
"symptoms": ["发热", "呕吐", "腹泻"],
"breed": "英短",
"age": 2
}

results = diagnose(onto, case)
print_diagnosis(results)

输出：

──────────────────────────────────────────────────
📋 诊断结果（按置信度排序）
──────────────────────────────────────────────────
1. 猫瘟 置信度：0.99 █████████
2. 犬细小病毒 置信度：0.77 ███████
──────────────────────────────────────────────────

推理链完整追溯

① OWL 分类（equivalent_to 双向推理）
├─ D001(猫瘟) ← has(发热)✓ has(呕吐)✓ has(腹泻)✓ → 3/3 充要条件满足
├─ D003(猫肠炎) ← has(腹泻)✓ has(呕吐)✓ → 2/2 充要条件满足
└─ D006(犬冠状) ← has(呕吐)✓ has(腹泻)✓ → 2/2 充要条件满足

② SWRL 补充（规则1：必要症状匹配 → 疑似）
├─ D004(犬细小) ← necessary(呕吐)✓ necessary(腹泻)✓ → 2/3 匹配
└─ D009(猫艾滋) ← necessary(发热)✓ → 1/2 匹配

③ 排除过滤（规则2 + Python 检查）
├─ D003(猫肠炎) ← nos(发热)✓ 命中 → 排除
├─ D006(犬冠状) ← nos(发热)✓ 命中 → 排除
├─ D009(猫艾滋) ← nos(腹泻)✓ 命中 → 排除
├─ D002(猫感冒) ← nos(发热)✓ + nos(呕吐)✓ → 排除（SWRL）
├─ D005(犬感冒) ← nos(呕吐)✓ + nos(腹泻)✓ → 排除（SWRL）
├─ D007(猫尿感) ← nos(腹泻)✓ → 排除（SWRL）
├─ D008(犬尿感) ← nos(腹泻)✓ → 排除（SWRL）
└─ D010(犬副流) ← nos(腹泻)✓ → 排除（SWRL）

④ 最终结论
→ 猫瘟（0.99）> 犬细小病毒（0.77）

五、与 LLM 方案对比

我们用同一个病例，分别测试 LLM 方案和本体推理方案：

结论：在医疗诊断这类关键决策场景中，本体推理的可验证性、一致性、低延迟是 LLM 无法替代的。

六、教学效果：从代码到原理

本项目作为《当 LLM 不够用了》的配套实战案例，对应以下章节：

学习路径：

七、总结

本体推理不是要取代 LLM，而是在 LLM 不够用的场景中提供确定性的推理能力：

「让 LLM 做它擅长的，让本体推理做它必须的。」 —— 《当 LLM 不够用了——本体推理的企业决策实践》

项目链接：github.com/georgewangchn/OntologyOps/tree/main/ontologyops/examples/P1

在线阅读：georgewangchn.github.io/OntologyOps/examples/P1/

书籍全书：《当 LLM 不够用了——本体推理的企业决策实践》在线阅读