为何公共生物医学本体常仅含类而无类实例？——以NCIT为例

核心定位：做领域术语的“通用骨架” #

公共生物医学本体（比如NCIT）的核心目的是定义生物医学领域的标准化通用概念集合，而非记录具体的个体案例。比如“非小细胞肺癌”这个类，代表的是这类疾病的共性特征和分类归属，而某个患者的具体肺癌病例属于临床数据范畴，本该存放在医院数据库或科研数据集里，不是本体的职责。

纯类建模的核心优势 #

• 极致的复用性与互操作性
  如果本体混入实例，会因为数据量爆炸变得无法维护——光是全球的肿瘤病例就有数千万级。纯类的本体是轻量化的“术语标准”，不同系统（医院电子病历、科研分析平台、药物研发工具）都能基于这套标准来标注自己的实例数据，保证跨系统、跨机构的术语统一，实现数据互通。

• 简洁高效的逻辑推理
  生物医学本体常需要支持逻辑推理（比如自动推断疾病的分类层级、药物的适用范围）。纯类的结构能让推理规则更清晰稳定：类的属性是通用的，层级关系明确，比如“腺癌”属于“上皮性肿瘤”，这条规则能直接应用到所有属于“腺癌”类的实例上。如果本体里混有实例，每个实例的属性差异会让推理逻辑变得复杂且难以维护。

• 可控的维护成本
  生物医学知识更新极快，比如每年都会有新的疾病亚型、基因靶点被发现。纯类本体只需要新增类、调整类的层级或属性就能同步新知识；如果是含实例的模型，要更新所有相关实例的关联关系，工作量呈几何级增长，根本没法跟上领域知识的迭代速度。

和含实例模型的对比 #

含类+实例的模型更适合特定场景的具体数据管理，比如某医院的内部患者知识库：既要用类来统一疾病、药物的术语，也要用实例来记录每个患者的诊断、治疗数据。但公共生物医学本体是面向全领域的公共工具，它的定位是“术语规范”而非“数据库”，纯类设计完全匹配它的核心需求——提供统一的概念框架，让不同系统的具体数据能基于这个框架实现互通和协作。

内容的提问来源于stack exchange，提问作者szuszfol