鄒陸曦，孫 玲

（1.徐州醫(yī)科大學(xué)管理學(xué)院，江蘇徐州 221000；2.徐州市中心醫(yī)院，徐州醫(yī)科大學(xué)徐州臨床學(xué)院，江蘇徐州 221006）

0 引言

人工智能已經(jīng)助力醫(yī)學(xué)發(fā)展多年，近年來包括計算能力的指數(shù)級增長、大數(shù)據(jù)處理技術(shù)、使用電子健康記錄訪問大型臨床數(shù)據(jù)集以及機器學(xué)習(xí)等技術(shù)的突破，提高了人工智能改革醫(yī)學(xué)各個領(lǐng)域診斷和治療的精確度和能力[1]。

人工智能能夠提高醫(yī)療服務(wù)提供者的工作效率，使用人工智能的計算機系統(tǒng)有助于評估醫(yī)學(xué)影像和醫(yī)療大數(shù)據(jù)，更新的機器學(xué)習(xí)技術(shù)促進了自動診斷系統(tǒng)的發(fā)展[2]。人工智能由于能夠解釋更詳細(xì)和更全面的數(shù)據(jù)，有可能進一步提高患者的健康水平，因此，在醫(yī)學(xué)各個領(lǐng)域受到歡迎[3]。在不斷發(fā)展的現(xiàn)代醫(yī)學(xué)數(shù)字世界中，醫(yī)生需要人工智能的支持，訓(xùn)練有素的醫(yī)生不應(yīng)該擔(dān)心自己會被人工智能取代。隨著越來越多的學(xué)者加入，有關(guān)醫(yī)療人工智能研究的文獻也越來越多。那么，有關(guān)醫(yī)療人工智能研究的現(xiàn)狀和研究分布如何？研究問題主要涉及哪些方面？哪些是當(dāng)前研究的趨勢和熱點？探討這些問題對于進一步揭示醫(yī)療人工智能的研究主題、現(xiàn)狀和研究趨勢具有重要意義。

可視化分析技術(shù)便于挖掘數(shù)據(jù)中的隱藏規(guī)律，是利用相關(guān)軟件將知識、數(shù)據(jù)和信息轉(zhuǎn)換為可視化圖集的過程。本研究利用Web of Science（WOS）數(shù)據(jù)庫核心集收集的數(shù)據(jù)對醫(yī)學(xué)人工智能研究的機構(gòu)、期刊、作者、參考文獻、當(dāng)前研究熱點和趨勢進行分析和處理，利用可視化的網(wǎng)絡(luò)圖對WOS數(shù)據(jù)庫核心集數(shù)據(jù)進行可視化分析，期望為我國的醫(yī)學(xué)人工智能研究提供參考。

1 方法

1.1 數(shù)據(jù)來源

以“artificial intelligence”“medicine”為檢索詞，檢索2001年1月1日至2020年12月31日在WOS數(shù)據(jù)庫核心集公開發(fā)表的文獻資料，檢索日期為2021年4月3日，檢索方式為“主題”（精確）。

1.2 研究方法

根據(jù)納入、排除標(biāo)準(zhǔn)篩選檢索出的文獻資料。

納入標(biāo)準(zhǔn)：發(fā)表時間為2001年1月1日至2020年12月31日；以英文語言發(fā)表的；已發(fā)表的原創(chuàng)性和綜述類期刊文章；研究內(nèi)容與人工智能醫(yī)療相關(guān)。排除標(biāo)準(zhǔn)：與研究不相關(guān)文獻；非英文形式發(fā)表的資料；會議通知、征稿啟事、圖書、報紙及學(xué)位論文等其他形式的資料。通過分析整理，根據(jù)納入及排除標(biāo)準(zhǔn)選擇出符合條件的1 450篇文章，每篇文章包含以下信息：標(biāo)題、作者、機構(gòu)、關(guān)鍵詞和引用文獻。

VOSviewer是荷蘭萊頓大學(xué)科技研究中心的Van Eck和Waltman開發(fā)的一款基于JAVA的知識圖譜可視化軟件，它能有效地構(gòu)建科學(xué)計量圖實現(xiàn)科技文獻計量的可視化，在易于解釋的共引用和共作者分析方法中具有強大的功能[4]。本研究采用VOSviewer 1.6對研究所合著、期刊共被引、作者共被引和參考文獻共被引進行分析，利用關(guān)鍵詞疊加可視化圖來分析研究的熱點和趨勢。

2 結(jié)果

2.1 發(fā)文機構(gòu)分析

在發(fā)文機構(gòu)方面，很多機構(gòu)都發(fā)表了有關(guān)醫(yī)學(xué)人工智能研究的文獻。機構(gòu)共現(xiàn)網(wǎng)絡(luò)（institution coauthorship）分析反映了研究領(lǐng)域中各機構(gòu)之間的影響和溝通[5]。本文根據(jù)機構(gòu)發(fā)表的文章數(shù)量對機構(gòu)進行排名，醫(yī)學(xué)人工智能研究的機構(gòu)共現(xiàn)網(wǎng)絡(luò)圖如圖1所示。斯坦福大學(xué)（Stanford University）排名第一（37篇），其次是哈佛大學(xué)醫(yī)學(xué)院（Harvard Medical School）（36篇）和多倫多大學(xué)（University of Toronto）（30篇），這3個機構(gòu)在醫(yī)學(xué)人工智能相關(guān)出版物中的發(fā)文數(shù)量最多，是在醫(yī)學(xué)人工智能方面最具影響力的3個研究機構(gòu)。

圖1 發(fā)文機構(gòu)共現(xiàn)網(wǎng)絡(luò)圖

2.2 發(fā)文期刊分析

本研究使用VOSviewer繪制期刊共被引網(wǎng)絡(luò)。共被引意味著2個項目（如期刊、作者和參考資料）被引用在1個參考文獻中。共被引分析反映出2個共引用項目之間的頻率和關(guān)系[6]。期刊共被引分析可以研究學(xué)術(shù)期刊網(wǎng)絡(luò)的總體結(jié)構(gòu)和特點[7]。

具有50個節(jié)點的期刊共被引網(wǎng)絡(luò)圖如圖2所示。閾值是期刊的最低引用次數(shù)，超過170次。圖中節(jié)點的大小代表收錄醫(yī)學(xué)人工智能期刊的活躍程度，即該期刊發(fā)表醫(yī)學(xué)人工智能文章的引用次數(shù)。通過節(jié)點之間的距離可反映節(jié)點之間的鏈路強度，較短的距離意味著節(jié)點之間擁有更強的關(guān)聯(lián)性和更高的引用頻率。

圖2 期刊共被引網(wǎng)絡(luò)圖

VOSviewer使用算法將網(wǎng)絡(luò)中的節(jié)點分配給聚類。該聚類技術(shù)是一種基于參數(shù)化和加權(quán)的模塊化的聚類變體[8]。聚類是一組密切相關(guān)的節(jié)點，具體計算方法參見文獻[4]。相同顏色的節(jié)點表示同一個聚類。

通過聚類分析，最大的3個集群分別是綠色、紅色和藍色。以大小排名靠前的每個聚類中節(jié)點（期刊）為例，綠色聚類包含Nature（1 368篇引用）和Science（691篇引用），代表自然科學(xué)類的綜合性期刊。紅色聚類包含New England Journal of Medicine（1 056篇引用）和Journal of the American Medical Association（JAMA，982篇引用），主要是醫(yī)學(xué)類期刊和以醫(yī)學(xué)為主的綜合類期刊。藍色聚類包含Radiology（833篇引用）和Medical Physics（420篇引用），代表核醫(yī)學(xué)等具體的學(xué)科應(yīng)用方面的期刊。如果節(jié)點引用越高，節(jié)點就越大，即如果出版物被引用的次數(shù)越多，對醫(yī)學(xué)人工智能研究的影響就越大。

2.3 作者共被引分析

本文根據(jù)納入的1 450篇醫(yī)學(xué)人工智能研究文獻的作者所發(fā)表文章的引用次數(shù)來排名。作者共被引（co-citation cited author）網(wǎng)絡(luò)圖中顯示了前50名高被引的作者，如圖3所示。最大的節(jié)點是作者Lecun，Y（215篇引用），揭示了他在醫(yī)學(xué)人工智能研究中的重要貢獻。2個節(jié)點（作者）之間較短的距離表明節(jié)點代表的作者之間有更高、更強的共被引用關(guān)系。具有相同顏色的圓圈表明這些作者發(fā)表的文章之間有類似的主題。其他研究人員與這些主要研究人員有直接或間接的聯(lián)系。

圖3 作者共被引分析網(wǎng)絡(luò)圖

2.4 參考文獻共被引分析

當(dāng)2篇論文在1篇論文中同時被引用時，它們就建立了參考文獻共被引分析（reference co-citation analysis）[6]。本文根據(jù)引用文獻的數(shù)量進行排名，構(gòu)建了一個包含100個節(jié)點的共被引關(guān)系圖（前100個共被引文獻），如圖4所示。節(jié)點的大小不僅揭示了其引文的數(shù)量，還揭示了它們與醫(yī)學(xué)人工智能研究的關(guān)系。例如，最大的節(jié)點，即Esteva等發(fā)表的題為Dermatologist-level classification of skin cancer with deep neural networks的文章，于2017年在Nature雜志上見刊[9]。該文章被本文納入的1 450篇醫(yī)學(xué)人工智能研究文獻引用179次，在WOS數(shù)據(jù)庫核心集中被引用3 135次。

圖4 參考文獻共被引分析圖

為了更好地展現(xiàn)2.1～2.4章節(jié)的分析結(jié)果，表1列出了發(fā)文機構(gòu)、發(fā)文期刊、作者共被引、參考文獻共被引前10名及具體的數(shù)量。

表1 發(fā)文機構(gòu)、發(fā)文期刊、作者共被引、參考文獻共被引前十名及數(shù)量

2.5 研究熱點與趨勢分析

關(guān)鍵詞對研究熱點、新興趨勢和研究前沿進行了合理的描述，它可以表示一個科學(xué)文獻的主要研究內(nèi)容，文字的頻率反映了研究的熱點。本文利用關(guān)鍵詞的疊加可視化圖來描述醫(yī)學(xué)人工智能研究的趨勢，如圖5所示，時間由遠(yuǎn)及近從藍紫色變?yōu)辄S色，節(jié)點文字越大，說明出現(xiàn)的次數(shù)越多。從圖5可以看出，醫(yī)學(xué)人工智能研究的主題（關(guān)鍵詞出現(xiàn)次數(shù)）從主要關(guān)注“神經(jīng)網(wǎng)絡(luò)（neural networks）”（61次）、“診斷（diagnosis）”（131次）和各類“系統(tǒng)（system）”（75次），發(fā)展到關(guān)注“分類（classification）”（189次）、“預(yù)測（prediction）”（149次）和“生物標(biāo)記物（biomarkers）”（27次）。最近的醫(yī)學(xué)人工智能研究熱點則集中在“機器學(xué)習(xí)（machine learning）”（345次）、“深度學(xué)習(xí)（deep learning）”（176次）、“大數(shù)據(jù)（big data）”（136次）等大數(shù)據(jù)和人工智能醫(yī)療領(lǐng)域。而“癌癥（cancer）”（117次）、“精準(zhǔn)醫(yī)療（precision medicine）”（110次）、“放射學(xué)（radiology）”（30次）等是人工智能在醫(yī)學(xué)方面近幾年的主要研究方向。

圖5 關(guān)鍵詞疊加可視化圖

近年來，人工智能在計算機輔助診斷、疾病預(yù)后和醫(yī)療決策支持領(lǐng)域、重塑醫(yī)學(xué)成像和放療實踐方面取得了顯著成效[19]。精準(zhǔn)醫(yī)學(xué)有利于治療不太常見的疾病或幫助有特殊醫(yī)療需求的患者。未來，人工智能和精準(zhǔn)醫(yī)療的融合將徹底改變醫(yī)療健康領(lǐng)域[20]。人工智能使系統(tǒng)能夠推理和學(xué)習(xí)，并通過增強智力來幫助臨床醫(yī)生決策。這種融合有助于解決精準(zhǔn)醫(yī)學(xué)面臨的問題，也有助于個性化診斷和預(yù)后。通過人工智能和醫(yī)學(xué)的融合，可為每個患者提供更好、更精確的醫(yī)療護理，同時減輕患者家庭和整個社會的經(jīng)濟負(fù)擔(dān)。

3 討論

本文運用VOSviewer軟件對2001至2020年間醫(yī)學(xué)人工智能研究的1 450篇文獻進行了梳理和挖掘，斯坦福大學(xué)、哈佛大學(xué)醫(yī)學(xué)院和多倫多大學(xué)是該領(lǐng)域的主要研究機構(gòu)；與國外著名的研究機構(gòu)相比，我國的研究機構(gòu)在醫(yī)學(xué)人工智能方面的研究還需加強，國際影響力還有待提高。在發(fā)文期刊方面，Nature、JAMA和New England Journal of Medicine等雜志在醫(yī)學(xué)人工智能領(lǐng)域有著較高的影響力。在參考文獻共被引方面，Esteva，A等于2017年發(fā)表在Nature雜志上面的文章獲得了最多的被引用數(shù)量。在作者共被引方面，作者Lecun，Y獲得了最多的被引用數(shù)量，揭示了他在醫(yī)學(xué)人工智能研究中的重要貢獻。從研究中發(fā)現(xiàn)，我國學(xué)者在該領(lǐng)域發(fā)表文章和引用情況還未進入前列，還需要更多的研究投入。利用關(guān)鍵詞疊加可視化圖分析發(fā)現(xiàn)，大數(shù)據(jù)、深度學(xué)習(xí)和精準(zhǔn)醫(yī)療等方面仍是目前醫(yī)學(xué)人工智能領(lǐng)域研究的熱點。

通過對以上分析圖中的關(guān)鍵節(jié)點的文獻研究，以及仔細(xì)研讀參考文獻共被引分析中排名靠前的文章，發(fā)現(xiàn)自2001年以來，人工智能及其在醫(yī)學(xué)上的應(yīng)用已經(jīng)取得重大進展。通過對醫(yī)學(xué)人工智能文獻的可視化分析，可在一定程度上揭示近年來醫(yī)學(xué)人工智能的研究基礎(chǔ)。通過研究熱點與趨勢分析，近年來的醫(yī)學(xué)人工智能研究在深度學(xué)習(xí)方面發(fā)展迅速。深度學(xué)習(xí)是基于特定計算模型人工智能的一個子集，如深度卷積神經(jīng)網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)，在圖像和信號處理方面表現(xiàn)出卓越的性能。例如，在著名醫(yī)學(xué)雜志JAMA上的一篇研究提出了一種在視網(wǎng)膜眼底照片中檢測糖尿病視網(wǎng)膜病變的深度學(xué)習(xí)算法。深度學(xué)習(xí)在CT、MRI和核醫(yī)學(xué)方面預(yù)測肌肉骨骼疾病的臨床應(yīng)用日益增多，在藥物發(fā)現(xiàn)和基因組學(xué)方面應(yīng)用得更加深入。

人工智能正在越來越多地被應(yīng)用于藥物發(fā)現(xiàn)中。不僅為相關(guān)的科學(xué)家，而且為生物制藥行業(yè)和開發(fā)新藥過程帶來新的挑戰(zhàn)。已有研究總結(jié)了一組國際專家對利用人工智能發(fā)現(xiàn)小分子藥物的“重大挑戰(zhàn)”的看法，包括獲得適當(dāng)?shù)臄?shù)據(jù)集，生成新的假設(shè)，以多目標(biāo)方式進行優(yōu)化減少藥物研發(fā)、生產(chǎn)周期時間和改變研究文化[21]。神經(jīng)網(wǎng)絡(luò)等人工智能技術(shù)正在出乎意料地發(fā)展，并不斷被應(yīng)用于藥物制劑的開發(fā)與制造[22]，醫(yī)學(xué)人工智能正幫助廣大用戶、醫(yī)生、醫(yī)藥公司、醫(yī)療監(jiān)管機構(gòu)和保險公司做出明智的決策。

人工智能和精準(zhǔn)醫(yī)療的融合正改變著傳統(tǒng)醫(yī)療。大數(shù)據(jù)時代，精準(zhǔn)醫(yī)療方法可以識別不太常見的患者的表型[23]。Topol（2019）提出高性能醫(yī)學(xué)：人類智能和人工智能融合的觀點[12]。人工智能利用復(fù)雜的計算和推理，使系統(tǒng)能夠推理和學(xué)習(xí)，并通過增強智力來幫助臨床醫(yī)生決策。最近的文獻表明，這些醫(yī)學(xué)人工智能方面的探索研究將有助于解決精準(zhǔn)醫(yī)療面臨的困難和問題，結(jié)合來自患者癥狀、臨床史和生活方式的信息，有助于促進個性化診斷[20]。

醫(yī)學(xué)人工智能在具體的疾病預(yù)測方面也改變著傳統(tǒng)醫(yī)療。例如，人工智能在胃腸病學(xué)中進行內(nèi)鏡分析病變、檢測癌癥，并促進在無線膠囊內(nèi)窺鏡期間對炎癥性病變或胃腸道出血的分析速度。人工智能還被用來測試和評估肝纖維化，并區(qū)分胰腺癌患者和胰腺炎患者[24]。在醫(yī)學(xué)影像學(xué)領(lǐng)域，龔尚瑾等[25]（2020）以乳腺癌和腦部疾病為例分析了深度學(xué)習(xí)在國內(nèi)的應(yīng)用情況。2020年全球暴發(fā)新型冠狀病毒肺炎，該疾病開始蔓延到世界各地，成為一個國際公共衛(wèi)生問題。已有研究認(rèn)為利用潛在技術(shù)（包括人工智能）可以控制疫病大流行，有助于控制病毒的傳播[26]。

本研究存在一定的局限性，僅選取WOS數(shù)據(jù)庫核心集的文獻作為研究的文獻數(shù)據(jù)來源，而沒有納入其他外文數(shù)據(jù)庫，數(shù)據(jù)來源不夠豐富，具有一定的局限性和主觀性。其次，分析軟件僅采用VOSviewer分析數(shù)據(jù)，多軟件協(xié)同分析可以使文章的內(nèi)容更加豐富多樣。未來的研究可以進一步豐富數(shù)據(jù)來源，采用多軟件協(xié)同分析，可以結(jié)合國內(nèi)外的文獻作進一步的分析與對比。

4 結(jié)語

本研究分析了醫(yī)學(xué)人工智能研究的科學(xué)成果，探索了該領(lǐng)域2001—2020年的研究現(xiàn)狀和熱點?；赪OS數(shù)據(jù)庫核心集，利用可視化技術(shù)分析了醫(yī)學(xué)人工智能研究出版物的期刊、機構(gòu)、作者、參考文獻和關(guān)鍵詞。通過可視化分析，揭示了醫(yī)學(xué)人工智能領(lǐng)域研究的“圖譜”，為研究者了解醫(yī)學(xué)人工智能的研究領(lǐng)域提供了指引。