该文章聚焦生物医学关系抽取（RE）这一医疗知识图谱的核心环节——其结果直接支撑医疗人工智能的发展，是不可或缺的基础要素。当前，基于预训练语言模型（PLMs）堆叠各类神经网络进行微调，是端到端解决生物医学RE问题的常用框架，但这类基于序列的PLMs在一定程度上未能充分挖掘语义间的关联，以及由这些关联形成的拓扑特征。为此，研究团队提出了一种图驱动框架BioGSF，创新性地通过图神经网络模型将最短依赖路径（SDP）与实体对图相整合，用于从文献中提取生物医学关系：首先借助依赖关系获取实体间的SDP，并将该信息融入实体对图；随后利用图注意力网络提取实体对图的拓扑信息；最终将拓扑信息与上下文的语义特征相结合，完成关系分类。
该框架在S4和BioRED两个不同数据集上进行了评估，结果显示BioGSF不仅取得了优于现有模型的性能，在S4数据集上的微F1值达96.68%，在BioRED数据集上为96.03%，还具备最短的运行时间。这一高效的框架为生物医学关系抽取提供了新的优质解决方案，进一步助力医疗知识图谱的构建与医疗AI的发展。
