【摘要】 背景 目前，人工智能應(yīng)用于阿爾茨海默病（AD）領(lǐng)域的研究論文數(shù)量增幅較大，明確該領(lǐng)域最新研究熱點(diǎn)和未來發(fā)展趨勢十分重要。目的 通過應(yīng)用文獻(xiàn)計(jì)量學(xué)分析，總結(jié)人工智能應(yīng)用于AD領(lǐng)域的相關(guān)研究，闡明2004—2023年的研究熱點(diǎn)和未來研究趨勢。方法 在Web of Science核心數(shù)據(jù)庫中檢索了2004年1月—2023年6月關(guān)于人工智能應(yīng)用于AD領(lǐng)域的文獻(xiàn)。采用Microsoft Office Excel、CiteSpace和VOSviewer軟件對發(fā)文量、國家、作者、機(jī)構(gòu)、關(guān)鍵詞和共引網(wǎng)絡(luò)進(jìn)行可視化分析。結(jié)果 最終納入了3 189篇文獻(xiàn)。自2004年以來有關(guān)人工智能應(yīng)用于AD領(lǐng)域的文獻(xiàn)數(shù)量穩(wěn)步增加，并從2015年起進(jìn)入快速增長階段，最高突破600篇。共有94個(gè)國家、3 930家機(jī)構(gòu)、13 563位作者以及52 019位被引作者參與了此研究。其中，美國和中國在這一領(lǐng)域中處于領(lǐng)先地位；韓國大學(xué)發(fā)文量位列第一；此外，ZHANG DAOQIANG、LIU MINGXIA、SUK HEUNG-IL和CLIFFFORD R. JACK Jr不僅是高產(chǎn)的作者還是被引次數(shù)最多的作者。根據(jù)關(guān)鍵詞和文獻(xiàn)被引結(jié)果的可視化分析，發(fā)現(xiàn)AD的診斷與病程分類、預(yù)測AD的風(fēng)險(xiǎn)因素是當(dāng)前的研究熱點(diǎn)，任務(wù)分析是未來人工智能應(yīng)用于AD領(lǐng)域中的研究趨勢。結(jié)論 人工智能應(yīng)用于AD領(lǐng)域已經(jīng)引起了全球研究者的廣泛關(guān)注，AD的診斷與病程分類、預(yù)測AD的風(fēng)險(xiǎn)因素是當(dāng)前的研究熱點(diǎn)，而任務(wù)分析中的輔助藥物的研發(fā)、個(gè)性化治療和護(hù)理以及提升人工智能的算法性能可能會(huì)成為未來的研究趨勢。

【關(guān)鍵詞】 阿爾茨海默??；癡呆；人工智能；CiteSpace；VOSviewer；文獻(xiàn)計(jì)量學(xué)

【中圖分類號(hào)】 R 745.7 【文獻(xiàn)標(biāo)識(shí)碼】 A DOI：10.12114/j.issn.1007-9572.2023.0704

The Hotspots and Frontier Trends of Artificial Intelligence in the Clinical Diagnosis and Treatment of Alzheimer's Disease：Bibliometric Analysis of the Past 20 Years

YU Ruxia1，JIANG Jing1*，WANG Qiucheng1，WANG Yue1，ZHAO Xiaoyue2

1.School of Nursing，Beijing University of Traditional Chinese Medicine，Beijing 100029，China

2.School of Acupuncture-moxibustion and Tuina，Beijing University of Traditional Chinese Medicine，Beijing 100029，China

*Corresponding author：JIANG Jing，Associate professor；E-mail：ngxi7847@126.com

【Abstract】 Background Currently，the number of research papers on the application of artificial intelligence to the field of Alzheimer's disease（AD）has increased significantly. It is important to clarify the latest research hotspots and future development trends in this field. Objective To summarize the relevant research on the application of artificial intelligence to AD through bibliometric analysis，and clarify the research hotspots and trends from 2004 to 2023. Methods Literature on the application of artificial intelligence to AD from January 2004 to June 2023 was searched for in the Web of Science core database，and Microsoft Office Excel，CiteSpace，and VOSviewer software were used to visually analyze the number of publications，countries，authors，institutions，keywords，and co-citation networks of the literature. Results Ultimately 3 189 articles were included. The number of literature on the application of artificial intelligence to AD has steadily increased since 2004 and has grown rapidly since 2015，with a maximum of over 600 articles. A total of 94 countries，3 930 institutions，13 563 authors，and 52 019 cited authors participated in this study. Among them，the United States and China were in a leading position in this field；Republic of Korea universities ranked first in terms of the number of publications；In addition，ZHANG DAOQIANG，LIU MINGXIA，SUK HEUNG-IL，and CLIFFORD R. JACK Jr were not only prolific authors but also the authors with the most citations. The visualization analysis of keywords and literature citations revealed that regarding the application of artificial intelligence to AD，the diagnosis and disease course classification of AD，as well as the prediction of its risk factors，are current research hotspots and that task analysis are future research trends. Conclusion The application of artificial intelligence to AD has attracted widespread attention from researchers worldwide. The diagnosis and classification of AD，as well as the prediction of its risk factors，are current research hotspots. Developing adjunctive drugs in task analysis，personalized treatment and care，and improving the algorithm performance of artificial intelligence may be research trends in the future.

【Key words】 Alzheimer disease；Dementia；Artificial intelligence；CiteSpace；VOSviewer；Bibliometrics

阿爾茨海默?。ˋlzheimer's disease，AD）是老年人中最常見的癡呆類型，臨床上其特征主要為記憶、語言和其他認(rèn)知功能的逐漸下降，其病理特征主要為淀粉樣蛋白斑塊、磷酸化tau蛋白纏結(jié)和神經(jīng)退行性病變［1-2］。隨著全球人口老齡化的加劇，預(yù)計(jì)未來幾年AD的患病率將呈指數(shù)級增長，其已成為21世紀(jì)影響較大、支出昂貴的疾病之一［3］。不幸的是，由于AD的臨床特征異質(zhì)性和病理類型的復(fù)雜性，尚無有效的治療方法，現(xiàn)有的治療手段只能延緩疾病的進(jìn)展［4］。因此，早期篩查和治療AD對于預(yù)防和控制疾病至關(guān)重要。但AD患者的醫(yī)學(xué)數(shù)據(jù)具有復(fù)雜性和龐大性的特點(diǎn)，使用傳統(tǒng)的計(jì)算工具進(jìn)行數(shù)據(jù)分析具有較大的挑戰(zhàn)性［5］。近年來，人工智能（artificial intelligence）發(fā)展迅速，其已在診斷、預(yù)測、病程分類、檢測以及個(gè)性化治療護(hù)理AD方面取得了重大進(jìn)步［6-9］，通過高效、精準(zhǔn)地分析復(fù)雜且龐大的醫(yī)學(xué)數(shù)據(jù)，可減輕醫(yī)務(wù)工作者的負(fù)擔(dān)。然而，目前關(guān)于人工智能應(yīng)用于AD的相關(guān)論文數(shù)量急劇增加，研究人員很難明確該領(lǐng)域最新研究熱點(diǎn)和未來發(fā)展趨勢。因此，本研究采用文獻(xiàn)計(jì)量學(xué)方法對2004—2023年人工智能應(yīng)用于AD領(lǐng)域的研究進(jìn)行深入剖析，旨在從可視化的角度揭示該領(lǐng)域的研究熱點(diǎn)和發(fā)展趨勢，這將為今后的相關(guān)研究工作提供新思路和線索。

1 資料與方法

1.1 文獻(xiàn)來源及檢索策略

計(jì)算機(jī)檢索Web of Science Core Collection（WOSCC）核心合集數(shù)據(jù)庫，引文索引包括：Science Citation Index Expanded（SCIE），Social Science Citation Index（SSCI），Current Chemical Reactions Expanded（CCR-EXPAND），and Index Chemicus（IC）。檢索時(shí)限為2004年1月—2023年6月。文獻(xiàn)納入標(biāo)準(zhǔn)：（1）與AD及人工智能主題相關(guān)；（2）文獻(xiàn)的語言為英語；（3）文獻(xiàn)類型為Article或Review。文獻(xiàn)排除標(biāo)準(zhǔn)：（1）與本研究主題、內(nèi)容不相關(guān)文獻(xiàn)；（2）重復(fù)發(fā)表文獻(xiàn)；（3）作者信息、單位信息未知文獻(xiàn)。初檢獲得11 864篇文獻(xiàn)，3名研究者通過對文章題目、摘要、正文進(jìn)行篩選后，最終納入3 189篇，包括2 964篇Article（92.94%）和225篇Review Article（7.06%）。檢索詞及檢索策略詳見表1、圖1。

3 1 AND 2

1.2 統(tǒng)計(jì)學(xué)方法

采用Microsoft Office Excel 2019、CiteSpace（版本 6.2.R6）和VOSviewer（版本 1.6.19）軟件對發(fā)文量、國家、作者、機(jī)構(gòu)、關(guān)鍵詞和共引網(wǎng)絡(luò)進(jìn)行可視化分析。其中，Microsoft Office Excel 2019軟件用于對年份、機(jī)構(gòu)和作者的頻次進(jìn)行統(tǒng)計(jì)分析；CiteSpace用于關(guān)鍵字共現(xiàn)和關(guān)鍵詞突現(xiàn)分析；VOSviewer用于國家、機(jī)構(gòu)、作者和文獻(xiàn)共被引網(wǎng)絡(luò)分析。

2 研究結(jié)果

2.1 年發(fā)文量分析

2004—2023年，根據(jù)擬合曲線分析，人工智能應(yīng)用于AD領(lǐng)域的文獻(xiàn)年發(fā)文量總體呈增長趨勢（R2=

0.967 9）。根據(jù)增長趨勢可將其分為2個(gè)階段：2004—2014年屬于緩慢增長階段，年發(fā)文量均不足100篇，表明該領(lǐng)域尚處于起步階段；而2015—2023年屬于快速增長階段，年發(fā)文量最高時(shí)突破了600篇，見圖2。

2.2 國家/地區(qū)分析

全球共有94個(gè)國家發(fā)表了關(guān)于人工智能應(yīng)用于AD領(lǐng)域的研究文章。美國發(fā)文量位列全球第一（876篇，占總發(fā)文量的27.47%），其次為中國（845篇，26.50%）。這兩個(gè)國家的發(fā)文量總和超過了全球總發(fā)文量的一半。然而，在總被引次數(shù)方面，美國（n=33 613）高于中國（n=15 172）。

2.3 機(jī)構(gòu)分析

全球共有3 930家機(jī)構(gòu)參與了人工智能應(yīng)用于AD領(lǐng)域的研究，但只有4家機(jī)構(gòu)發(fā)表論文數(shù)量超過了50篇。其中，韓國大學(xué)發(fā)文量最多（80篇），其次是美國北卡羅來納大學(xué)（69篇）和中國科學(xué)院（61篇）。在總被引次數(shù)方面，美國北卡羅來納大學(xué)排名第1（4 954次）、其次是韓國大學(xué)（4 833次）和倫敦大學(xué)（2 660次）。在合作方面，韓國大學(xué)和美國北卡羅來納大學(xué)表現(xiàn)出尤為密切的合作關(guān)系，而其他高產(chǎn)機(jī)構(gòu)之間的合作還有待于加強(qiáng)，見圖3。

2.4 作者分析

共有13 563位作者為人工智能應(yīng)用于AD研究做出了貢獻(xiàn)，其中發(fā)文量排名前3位的作者是SHEN DINGGANG（72篇）、ZHANG DAOQIANG（32篇）和LIU MINGXIA（30篇），見表2。此外，這些高產(chǎn)作者之間也存在密切的合作關(guān)系（圖4），特別是同一集群中的作者之間，如前3位作者之間以及THOMPSON PAUL M、WANG YALIN和YE JIEPING之間形成了較為緊密的合作網(wǎng)絡(luò)。

2.5 共被引分析

2.5.1 被引作者分析：總共52 019位被引作者為人工智能應(yīng)用于AD研究做出了貢獻(xiàn)，有39位作者被引用次數(shù)超過200次，其中被引頻次排名前3名的分別是CLIFFFORD R. JACK Jr（1 388次）、PETERSEN RONALD C（808次）和ZHANG DAOQIANG（600次），見表3。結(jié)合表2的分析結(jié)果，ZHANG DAOQIANG、LIU MINGXIA、SUK HEUNG-IL和CLIFFFORD R. JACK Jr不僅是高產(chǎn)作者，還是被引次數(shù)較多的作者。

2.5.2 被引文獻(xiàn)分析：被引文獻(xiàn)是評估當(dāng)前研究熱點(diǎn)的重要指標(biāo)，本研究中的所有文章共引用了87 819篇參考文獻(xiàn)，圖5為排名前10的共被引文獻(xiàn)網(wǎng)絡(luò)分析圖譜。共被引頻次最多的文獻(xiàn)是由SUK等［10］發(fā)表在Neuroimage雜志上的《Hierarchical feature representation and multimodal fusion with deep learning for AD/MCI diagnosis》，該文提出了一種通過深度學(xué)習(xí)技術(shù)從神經(jīng)成像模式中進(jìn)行高級潛在和共享特征表示的新方法，以此來提高診斷AD及輕度認(rèn)知障礙（mild cognitive impairment，MCI）的準(zhǔn)確性。被引頻次排名第2的是MORADI等［11］于2015年發(fā)表的《Machine learning framework for early MRI-based Alzheimer's conversion prediction in MCI subjects》，作者利用監(jiān)督學(xué)習(xí)技術(shù)構(gòu)建了一種基于磁共振成像的新型框架，用于預(yù)測MCI到AD的轉(zhuǎn)換［11］。被引頻次排名第3的是由LIU等［12］發(fā)表的《Multimodal neuroimaging feature learning for multiclass diagnosis of Alzheimer's disease》，其設(shè)計(jì)了一種具有深度學(xué)習(xí)架構(gòu)的診斷框架，該框架可以從多個(gè)數(shù)據(jù)模式中提取信息，在AD的數(shù)據(jù)分類中實(shí)現(xiàn)了性能提升。由此可見，人工智能應(yīng)用于AD領(lǐng)域主要集中在診斷、病程分類以及預(yù)測等方面。

2.6 關(guān)鍵詞分析

2.6.1 2004—2014年關(guān)鍵詞共現(xiàn)分析：關(guān)鍵詞共現(xiàn)分析可以反映一個(gè)學(xué)術(shù)領(lǐng)域的研究熱點(diǎn)。本研究根據(jù)年發(fā)文量總體呈現(xiàn)趨勢，分別對2004—2014年和2015—2023年的關(guān)鍵詞進(jìn)行共現(xiàn)分析。

使用CiteSpace對2004—2014年關(guān)鍵詞進(jìn)行共現(xiàn)圖譜分析，共生成107個(gè)節(jié)點(diǎn)，279條連線，網(wǎng)絡(luò)密度為0.024 2，見圖6。除去與AD近似的詞外，此時(shí)期主要以classification（分類）、diagnosis（診斷）、MRI（核磁共振成像）、atrophy（萎縮）、segmentation（分割）、brain（腦）、pattern（圖形）、support vector machine（支持向量機(jī)）等為中心關(guān)鍵詞，表明此時(shí)期關(guān)注的重點(diǎn)是利用核磁共振成像、分割技術(shù)、腦部圖形和支持向量機(jī)分類模型對AD進(jìn)行病程分類以及診斷AD。

2.6.2 2015—2023年關(guān)鍵詞共現(xiàn)分析：使用CiteSpace對2015—2023年關(guān)鍵詞進(jìn)行共現(xiàn)圖譜分析，共生成182個(gè)節(jié)點(diǎn)，550條連線，網(wǎng)絡(luò)密度為0.011 8，見圖7。該時(shí)期machine learning（機(jī)器學(xué)習(xí)）、deep learning（深度學(xué)習(xí)）、prediction（預(yù)測）、feature selection（特征選擇）、biomarker（生物標(biāo)志物）、segmentation（分割）、conversion（轉(zhuǎn)換）、convolutional neural network（卷積神經(jīng)網(wǎng)絡(luò)）、risk（危險(xiǎn)因素）等關(guān)鍵詞出現(xiàn)頻次驟增，尤其是機(jī)器學(xué)習(xí)和深度學(xué)習(xí)出現(xiàn)次數(shù)分別高達(dá)460次和322次，表明此時(shí)期關(guān)注的重點(diǎn)轉(zhuǎn)移到提高算法的性能，以此來輔佐AD的診斷和病程分類，且更加重視預(yù)測AD的風(fēng)險(xiǎn)因素。

此外，根據(jù)人工智能中所使用的模型及其在AD中發(fā)揮的功能，將關(guān)鍵詞分為2個(gè)類別，見表4。排名前5位的人工智能模型是機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、卷積神經(jīng)網(wǎng)絡(luò)、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)；排名前5位的功能是分類、診斷、預(yù)測風(fēng)險(xiǎn)因素、特征提取及分割圖像。

2.6.3 關(guān)鍵詞突現(xiàn)分析：關(guān)鍵字突現(xiàn)是指在一段時(shí)間內(nèi)被頻繁引用的關(guān)鍵詞，其可以探索某一領(lǐng)域的發(fā)展趨勢。應(yīng)用Citespace提取了前25個(gè)最具突破性的關(guān)鍵詞（圖8）。早期階段中，關(guān)鍵詞segmentation（分割，2007—2017年）和voxel based morphometry（基于體元素的形態(tài)測量，2008—2018年）突現(xiàn)持續(xù)時(shí)間較長，說明其對當(dāng)前領(lǐng)域研究影響較大。自2016年開始，computer aided diagnosis（計(jì)算機(jī)輔助診斷）、big data（大數(shù)據(jù)）及feature representation（特征呈現(xiàn)）等關(guān)鍵詞增多，表明對該領(lǐng)域進(jìn)行探索的文章越來越多，并且研究方法在不斷加深（2016—2023年）。此外，關(guān)鍵詞artificial intelligence（人工智能）、deep learning（深度學(xué)習(xí)）和task analysis（任務(wù)分析），一直突現(xiàn)至今。進(jìn)一步分析后發(fā)現(xiàn)，task analysis（任務(wù)分析）包含輔助藥物的研發(fā)、個(gè)性化治療和護(hù)理以及提升人工智能的算法性能，其可能成為未來受關(guān)注的科研熱點(diǎn)之一。

3 討論

3.1 研究現(xiàn)狀分析

本研究結(jié)果顯示，人工智能應(yīng)用于AD領(lǐng)域的相關(guān)文獻(xiàn)數(shù)量穩(wěn)步增加。這一趨勢很可能源于人工智能技術(shù)的飛速發(fā)展，為預(yù)測、診斷和分類疾病等提供了前所未有的可能性［13］。根據(jù)擬合曲線的預(yù)測，未來將會(huì)有更多的國家和研究人員涉足AD的人工智能研究中。根據(jù)國家分析結(jié)果，美國和中國在此領(lǐng)域的發(fā)文量處于領(lǐng)先地位。然而，在被引用頻次上，我國相較于美國還存在一定的差距。因此，我國未來應(yīng)當(dāng)更加注重提升學(xué)術(shù)文獻(xiàn)的質(zhì)量，推動(dòng)學(xué)術(shù)研究的深入發(fā)展。在研究機(jī)構(gòu)方面，雖然國內(nèi)的一些知名院校，如上海交通大學(xué)和中國科學(xué)院大學(xué)，已經(jīng)發(fā)表了多篇高水平的論文，并獲得了一定的學(xué)術(shù)影響力，但與其他學(xué)術(shù)機(jī)構(gòu)之間的合作與交流仍然不夠密切。在作者方面，來自中國的SHEN DINGGANG在該領(lǐng)域發(fā)表的文章數(shù)量最多，總共發(fā)表了72篇文章，這一數(shù)字遠(yuǎn)遠(yuǎn)超過了其他作者。他的研究重心是利用人工智能技術(shù)結(jié)合醫(yī)學(xué)成像技術(shù)，對神經(jīng)領(lǐng)域的疾病進(jìn)行精準(zhǔn)的診斷和分類。此外，作者共被引分析表明，來自加拿大的CLIFFFORD R. JACK Jr的發(fā)文被引用次數(shù)高達(dá)1 388次，位居第一。這些數(shù)據(jù)充分彰顯了這兩位作者在這一領(lǐng)域的卓越貢獻(xiàn)和重要地位。然而，國家、機(jī)構(gòu)以及作者的合作網(wǎng)絡(luò)圖呈現(xiàn)出較為稀疏的特點(diǎn)，缺乏與國內(nèi)和國際的廣泛合作。這提示我國未來應(yīng)當(dāng)積極引進(jìn)和培育優(yōu)秀人才，以加強(qiáng)作者、機(jī)構(gòu)乃至國家間的合作與交流，推動(dòng)人工智能在AD領(lǐng)域的進(jìn)一步發(fā)展。

3.2 當(dāng)前研究熱點(diǎn)

基于被引文獻(xiàn)分析以及關(guān)鍵詞共現(xiàn)分析，本研究確定了人工智能應(yīng)用于AD領(lǐng)域的研究熱點(diǎn)，并主要分為2個(gè)方面：AD的診斷與病程分類、預(yù)測AD的風(fēng)險(xiǎn)因素。

3.2.1 AD的診斷與病程分類：目前，對于AD這類神經(jīng)退行性疾病的診斷和病程分類，神經(jīng)影像學(xué)是關(guān)鍵的工具［14］。然而，利用人腦分析和解釋大量腦成像數(shù)據(jù)存在一定挑戰(zhàn)［15］。因此，人工智能結(jié)合多特征神經(jīng)影像學(xué)數(shù)據(jù)輔助AD診斷和病程分類逐漸受到了研究者的關(guān)注［16-18］。如ZHANG等［19］是早期提出使用機(jī)器學(xué)習(xí)模型診斷AD的研究者之一，其采用線性支持向量機(jī)分類器，并結(jié)合3種生物標(biāo)志物，對正常受試者和AD進(jìn)行分類及診斷，準(zhǔn)確率高達(dá)93.2%。但是機(jī)器模型需要經(jīng)過特征提取、特征選擇和降維等步驟，這些步驟煩瑣且非常耗時(shí)，而深度學(xué)習(xí)克服了這些障礙［20］。如部分研究者［21］引入了一種基于CNN的深度學(xué)習(xí)模型，其使用2D腦MRI圖像作為輸入數(shù)據(jù)，并將該模型的性能與多位AD領(lǐng)域?qū)＜裔t(yī)生進(jìn)行比較，發(fā)現(xiàn)該模型的診斷AD準(zhǔn)確性與AD領(lǐng)域?qū)＜裔t(yī)生相一致。值得注意的是，除了根據(jù)利用腦部成像診斷AD，最近CHEUNG等［22］還開發(fā)了一種新穎的、基于視網(wǎng)膜成像的深度學(xué)習(xí)模型來診斷和分類AD患者，在測試數(shù)據(jù)集中，該模型的準(zhǔn)確率范圍為79.6%～92.1%，能有效檢測出AD。未來，隨著人工智能和神經(jīng)影像學(xué)的發(fā)展，可以期待出現(xiàn)更加準(zhǔn)確、高效的診斷和分類工具，以幫助提高AD的診斷和分類準(zhǔn)確性。

3.2.2 預(yù)測AD的風(fēng)險(xiǎn)因素：AD患者在診斷前發(fā)生神經(jīng)病理學(xué)的變化較為隱匿，迫切需要針對高風(fēng)險(xiǎn)因素人群進(jìn)行早期精準(zhǔn)預(yù)測。然而，既往傳統(tǒng)的風(fēng)險(xiǎn)預(yù)測模型對AD風(fēng)險(xiǎn)進(jìn)行個(gè)性化評估時(shí)的錯(cuò)誤率較高［23］，而結(jié)合人工智能預(yù)測AD則改善了這一缺陷。如在一項(xiàng)隊(duì)列研究中，YOU等［24］開發(fā)了一種預(yù)測AD多因素的機(jī)器學(xué)習(xí)模型，模型包括年齡、ApoEε4、腿部脂肪百分比和服藥次數(shù)等10個(gè)新穎的預(yù)測因子，運(yùn)算結(jié)果表明該模型能夠精準(zhǔn)地預(yù)測5年、10年甚至更長時(shí)間內(nèi)發(fā)生AD的高風(fēng)險(xiǎn)個(gè)體。為了更好地了解與疾病相關(guān)的遺傳風(fēng)險(xiǎn)，ZHOU等［25］還利用深度學(xué)習(xí)開發(fā)了一種能有效預(yù)測多基因風(fēng)險(xiǎn)的模型。其次，尋找從MCI到AD的轉(zhuǎn)化預(yù)測因子也是一個(gè)重要的研究領(lǐng)域［26-27］。LIN等［28］開發(fā)了一種人工智能分級方法，可有效融合多模態(tài)數(shù)據(jù)并精準(zhǔn)預(yù)測3年內(nèi)MCI到AD的轉(zhuǎn)換。利用深度學(xué)習(xí)結(jié)合神經(jīng)影像學(xué)數(shù)據(jù)的方法預(yù)測MCI到AD的轉(zhuǎn)換，準(zhǔn)確率也可高達(dá)84.2%［29］。與既往研究不同的是，近幾年來部分研究者還通過聲音特征、彩色瞳孔測距測試與人工智能相結(jié)合的方法預(yù)測了AD發(fā)生的風(fēng)險(xiǎn)［30-31］?？傊斯ぶ悄艿膽?yīng)用在AD風(fēng)險(xiǎn)預(yù)測中具有巨大的潛力，其不僅可以提高預(yù)測的精準(zhǔn)性，還可以通過結(jié)合多種數(shù)據(jù)模態(tài)，更全面地了解和評估AD的風(fēng)險(xiǎn)因素。

3.3 未來研究趨勢

基于關(guān)鍵詞突現(xiàn)分析，發(fā)現(xiàn)人工智能中的任務(wù)分析是未來的發(fā)展趨勢，具體包括：輔助藥物的研發(fā)、個(gè)性化治療和護(hù)理以及提升人工智能的算法性能。

3.3.1 輔助藥物的研發(fā)：在AD這類神經(jīng)系統(tǒng)疾病藥物研發(fā)過程中，會(huì)產(chǎn)生海量且復(fù)雜的數(shù)據(jù)，如何有效地整合、關(guān)聯(lián)和分析這些大規(guī)模數(shù)據(jù)已成為AD藥物研發(fā)的核心挑戰(zhàn)［32］。而人工智能技術(shù)的興起為深度挖掘有價(jià)值的新信息提供了可能性。近年來，已有研究將人工智能技術(shù)應(yīng)用于AD藥物的研發(fā)過程，包括靶點(diǎn)識(shí)別、虛擬篩選以及藥物再利用預(yù)測等關(guān)鍵步驟。例如，TSUJI等［33］開發(fā)了一個(gè)基于深度學(xué)習(xí)的計(jì)算框架，成功地預(yù)測了AD的潛在新藥靶點(diǎn)，并鑒定出了可作為新治療靶點(diǎn)的關(guān)鍵基因（例如脾臟酪氨酸激酶以及表皮生長因子受體基因等）。此外，DAS等［34］在藥物虛擬篩選過程中，借助全自動(dòng)人工智能輔助配體篩選工具，成功地從龐大的化合物文庫中篩選出可能抑制tau蛋白聚集的化合物。在AD藥物再利用方面，F(xiàn)ANG等［35］提出了一種基于網(wǎng)絡(luò)的人工智能方法，通過結(jié)合多組學(xué)數(shù)據(jù)和藥物靶點(diǎn)網(wǎng)絡(luò)等多元化信息，其成功地挖掘出吡格列酮可能是治療AD的潛在有效藥物?？梢姡萌斯ぶ悄苡型苿?dòng)AD藥物的研發(fā)進(jìn)展。

3.3.2 個(gè)性化治療和護(hù)理：同樣，隨著人工智能技術(shù)的飛速發(fā)展，近年來研究者們也開始應(yīng)用這種先進(jìn)的技術(shù)為AD患者提供個(gè)性化治療和護(hù)理，并證實(shí)了其有效性和可行性［36］。一項(xiàng)研究為癡呆患者設(shè)計(jì)了一款基于計(jì)算機(jī)的干預(yù)管理系統(tǒng)，該系統(tǒng)通過分析患者的具體需求，可生成個(gè)人治療任務(wù)清單，以此幫助醫(yī)護(hù)人員更好地管理和照護(hù)癡呆患者，以減輕其癥狀并改善他們的生活質(zhì)量［37］。此外，還有研究團(tuán)隊(duì)利用人工智能技術(shù)研發(fā)了數(shù)字懷舊療法應(yīng)用程序，通過分析AD患者的相關(guān)信息，能夠生成具有懷舊元素的圖片或視頻，從而刺激患者的記憶［38］。使用該程序能夠有效地減少AD患者的抑郁癥狀，并提高其參與社交互動(dòng)的積極性。這些研究結(jié)果表明，借助人工智能技術(shù)有望更好地理解患者的個(gè)體差異，從而為每位患者提供個(gè)性化治療和護(hù)理方案。

3.3.3 提升人工智能的算法性能：隨著算法模型的不斷成熟與發(fā)展，人工智能在AD的臨床診療中展現(xiàn)出巨大的潛力。然而，人工智能算法也面臨著許多技術(shù)挑戰(zhàn)。其中就包括泛化性能較差，例如，使用機(jī)器學(xué)習(xí)對來自特定醫(yī)院的精神分裂癥患者進(jìn)行分類時(shí)，該模型能夠做出精確的預(yù)測，但將另一家醫(yī)院的樣本進(jìn)行分類時(shí)其泛化性較差［39］。其次，人工智能算法模型通常缺乏透明度，無法直接解釋其預(yù)測結(jié)果和決策過程［40］，這樣可能會(huì)導(dǎo)致研究人員對人工智能系統(tǒng)的不信任。最近，有相關(guān)學(xué)者指出未來可以通過深度學(xué)習(xí)結(jié)合集成學(xué)習(xí)或者合并其他類型混合數(shù)據(jù)類型（例如組學(xué)數(shù)據(jù)）來提高模型性能及透明度問題［29，41］。同時(shí)，人工智能算法依賴于大量的數(shù)據(jù)集進(jìn)行訓(xùn)練和學(xué)習(xí)，但如果這些數(shù)據(jù)不規(guī)范或者樣本量太小，預(yù)測結(jié)果可能會(huì)出現(xiàn)錯(cuò)誤。因此，提高數(shù)據(jù)集的樣本量、質(zhì)量和規(guī)范性，是人工智能在臨床應(yīng)用中需要面對的重要挑戰(zhàn)?？傊?，研究者在未來的研究中需要提升算法性能，推動(dòng)算法在AD臨床診療中的應(yīng)用和發(fā)展。

4 研究不足

本研究使用文獻(xiàn)計(jì)量學(xué)的方法對人工智能應(yīng)用于AD領(lǐng)域的相關(guān)文獻(xiàn)進(jìn)行了全面的分析。然而，本研究存在局限性，在未來的研究中可加以考慮。首先，本研究只從WOSCC中收集數(shù)據(jù)，來自其他數(shù)據(jù)庫的一些有代表性的文獻(xiàn)可能會(huì)被忽視。其次，選擇英語作為納入標(biāo)準(zhǔn)，省略了其他語言的文獻(xiàn)。最后，最近發(fā)表的高質(zhì)量文章由于引用頻率低，可能尚未被關(guān)注。

5 小結(jié)與展望

綜上所述，本研究通過文獻(xiàn)計(jì)量學(xué)對人工智能應(yīng)用于AD領(lǐng)域的文獻(xiàn)進(jìn)行了深入剖析。研究結(jié)果揭示了人工智能已廣泛應(yīng)用于AD領(lǐng)域，當(dāng)前的研究熱點(diǎn)主要集中在AD的診斷與病程分類、預(yù)測AD的風(fēng)險(xiǎn)因素，而輔助AD藥物的研發(fā)、個(gè)性化治療和護(hù)理AD患者以及提升人工智能的算法性能可能會(huì)成為未來的研究趨勢。此外，中國和美國在這一領(lǐng)域處于領(lǐng)先地位，這彰顯了兩國的學(xué)術(shù)影響力。然而，迫切需要增強(qiáng)國家、機(jī)構(gòu)以及作者之間的合作力度，以推動(dòng)該領(lǐng)域的發(fā)展，使得更多的AD患者能夠從中受益。

作者貢獻(xiàn)：余如霞、姜婧提出研究設(shè)想及總體研究方案的構(gòu)建，負(fù)責(zé)論文的撰寫與修改并對文章負(fù)責(zé)；王湫澄和王越收集、篩選和整理研究數(shù)據(jù)，以供研究使用和結(jié)果重現(xiàn)；趙小月對圖片格式及文字修訂，整理參考文獻(xiàn)。

本文無利益沖突。

參考文獻(xiàn)

JACK C R Jr，BENNETT D A，BLENNOW K，et al. NIA-AA Research Framework：toward a biological definition of Alzheimer's disease［J］. Alzheimers Dement，2018，14（4）：535-562. DOI：10.1016/j.jalz.2018.02.018.

GUTIéRREZ I L，DELLO RUSSO C，NOVELLINO F，et al. Noradrenaline in Alzheimer's disease：a new potential therapeutic target［J］. Int J Mol Sci，2022，23（11）：6143. DOI：10.3390/ijms23116143.

SCHELTENS P，DE STROOPER B，KIVIPELTO M，et al. Alzheimer's disease［J］. Lancet，2021，397（10284）：1577-1590. DOI：10.1016/S0140-6736（20）32205-4.

LEE G，NHO K，KANG B，et al. Predicting Alzheimer's disease progression using multi-modal deep learning approach［J］. Sci Rep，2019，9（1）：1952. DOI：10.1038/s41598-018-37769-z.

LI Z Y，JIANG X Q，WANG Y Z，et al. Applied machine learning in Alzheimer's disease research：omics，imaging，and clinical data［J］. Emerg Top Life Sci，2021，5（6）：765-777. DOI：10.1042/ETLS20210249.

GAO X R，CHIARIGLIONE M，QIN K，et al. Explainable machine learning aggregates polygenic risk scores and electronic health records for Alzheimer's disease prediction［J］. Sci Rep，2023，13（1）：450. DOI：10.1038/s41598-023-27551-1.

ALGHAMEDY F H，SHAFIQ M，LIU L J，et al. Machine learning-based multimodel computing for medical imaging for classification and detection of alzheimer disease［J］. Comput Intell Neurosci，2022，2022：9211477. DOI：10.1155/2022/9211477.

RAZA N，NASEER A，TAMOOR M，et al. Alzheimer disease classification through transfer learning approach［J］. Diagnostics，2023，13（4）：801. DOI：10.3390/diagnostics13040801.

MOYLE W，ARNAUTOVSKA U，OWNSWORTH T，et al. Potential of telepresence robots to enhance social connectedness in older adults with dementia：an integrative review of feasibility［J］. Int Psychogeriatr，2017，29（12）：1951-1964. DOI：10.1017/S1041610217001776.

SUK H I，LEE S W，SHEN D G，et al. Hierarchical feature representation and multimodal fusion with deep learning for AD/MCI diagnosis［J］. NeuroImage，2014，101：569-582. DOI：10.1016/j.neuroimage.2014.06.077.

MORADI E，PEPE A，GASER C，et al. Machine learning framework for early MRI-based Alzheimer's conversion prediction in MCI subjects［J］. Neuroimage，2015，104：398-412. DOI：10.1016/j.neuroimage.2014.10.002.

LIU S Q，LIU S D，CAI W D，et al. Multimodal neuroimaging feature learning for multiclass diagnosis of Alzheimer's disease［J］. IEEE Trans Biomed Eng，2015，62（4）：1132-1140. DOI：10.1109/TBME.2014.2372011.

KUMAR Y，KOUL A，SINGLA R，et al. Artificial intelligence in disease diagnosis：a systematic literature review，synthesizing framework and future research agenda［J］. J Ambient Intell Humaniz Comput，2023，14（7）：8459-8486. DOI：10.1007/s12652-021-03612-z.

MáRQUEZ F，YASSA M A. Neuroimaging biomarkers for Alzheimer's disease［J］. Mol Neurodegener，2019，14（1）：21. DOI：10.1186/s13024-019-0325-5.

CARRILLO M C，ROWE C C，SZOEKE C，et al. Research and standardization in Alzheimer's trials：reaching international consensus［J］. Alzheimers Dement，2013，9（2）：160-168. DOI：10.1016/j.jalz.2012.10.006.

NGUYEN D T，RYU S，QURESHI M N I，et al. Hybrid multivariate pattern analysis combined with extreme learning machine for Alzheimer's dementia diagnosis using multi-measure rs-fMRI spatial patterns［J］. PLoS One，2019，14（2）：e0212582. DOI：10.1371/journal.pone.0212582.

ETMINANI K，SOLIMAN A，DAVIDSSON A，et al. A 3D deep learning model to predict the diagnosis of dementia with Lewy bodies，Alzheimer's disease，and mild cognitive impairment using brain 18F-FDG PET［J］. Eur J Nucl Med Mol Imaging，2022，49（2）：563-584. DOI：10.1007/s00259-021-05483-0.

ZHU W Y，SUN L，HUANG J S，et al. Dual attention multi-instance deep learning for Alzheimer's disease diagnosis with structural MRI［J］. IEEE Trans Med Imaging，2021，40（9）：2354-2366. DOI：10.1109/TMI.2021.3077079.

ZHANG D Q，WANG Y P，ZHOU L P，et al. Multimodal classification of Alzheimer's disease and mild cognitive impairment［J］. NeuroImage，2011，55（3）：856-867. DOI：10.1016/j.neuroimage.2011.01.008.

SALEEM T J，ZAHRA S R，WU F，et al. Deep learning-based diagnosis of Alzheimer's disease［J］. J Pers Med，2022，12（5）：815. DOI：10.3390/jpm12050815.

KIM J S，HAN J W，BAE J B，et al. Deep learning-based diagnosis of Alzheimer's disease using brain magnetic resonance images：an empirical study［J］. Sci Rep，2022，12（1）：18007. DOI：10.1038/s41598-022-22917-3.

CHEUNG C Y，RAN A R，WANG S J，et al. A deep learning model for detection of Alzheimer's disease based on retinal photographs：a retrospective，multicentre case-control study［J］. Lancet Digit Health，2022，4（11）：e806-815. DOI：10.1016/S2589-7500（22）00169-8.

KIVIM?KI M，LIVINGSTON G，SINGH-MANOUX A，et al. Estimating dementia risk using multifactorial prediction models［J］. JAMA Netw Open，2023，6（6）：e2318132. DOI：10.1001/jamanetworkopen.2023.18132.

YOU J，ZHANG Y R，WANG H F，et al. Development of a novel dementia risk prediction model in the general population：a large，longitudinal，population-based machine-learning study［J］. EClinicalMedicine，2022，53：101665. DOI：10.1016/j.eclinm.2022.101665.

ZHOU X P，CHEN Y，IP F C F，et al. Deep learning-based polygenic risk analysis for Alzheimer's disease prediction［J］. Commun Med，2023，3（1）：49. DOI：10.1038/s43856-023-00269-x.

YAGI T，KANEKIYO M，ITO J，et al. Identification of prognostic factors to predict cognitive decline of patients with early Alzheimer's disease in the Japanese Alzheimer's Disease Neuroimaging Initiative study［J］. Alzheimers Dement，2019，5：364-373. DOI：10.1016/j.trci.2019.06.004.

PETERSEN R C. Mild cognitive impairment as a diagnostic entity［J］. J Intern Med，2004，256（3）：183-194. DOI：10.1111/j.1365-2796.2004.01388.x.

LIN W M，GAO Q Q，YUAN J N，et al. Predicting Alzheimer's disease conversion from mild cognitive impairment using an extreme learning machine-based grading method with multimodal data［J］. Front Aging Neurosci，2020，12：77. DOI：10.3389/fnagi.2020.00077.

JO T，NHO K，SAYKIN A J. Deep learning in Alzheimer's disease：diagnostic classification and prognostic prediction using neuroimaging data［J］. Front Aging Neurosci，2019，11：220. DOI：10.3389/fnagi.2019.00220.

LUSTIG-BARZELAY Y，SHER I，SHARVIT-GINON I，et al.

Machine learning for comprehensive prediction of high risk for Alzheimer's disease based on chromatic pupilloperimetry［J］. Sci Rep，2022，12（1）：9945. DOI：10.1038/s41598-022-13999-0.

SHIMODA A，LI Y，HAYASHI H，et al. Dementia risks identified by vocal features via telephone conversations：a novel machine learning prediction model［J］. PLoS One，2021，16（7）：e0253988. DOI：10.1371/journal.pone.0253988.

VATANSEVER S，SCHLESSINGER A，WACKER D，et al. Artificial intelligence and machine learning-aided drug discovery in central nervous system diseases：state-of-the-arts and future directions［J］. Med Res Rev，2021，41（3）：1427-1473. DOI：10.1002/med.21764.

TSUJI S，HASE T，YACHIE-KINOSHITA A，et al. Artificial intelligence-based computational framework for drug-target prioritization and inference of novel repositionable drugs for Alzheimer's disease［J］. Alzheimers Res Ther，2021，13（1）：92. DOI：10.1186/s13195-021-00826-3.

DAS B，MATHEW A T，BAIDYA A T K，et al. Artificial intelligence assisted identification of potential tau aggregation inhibitors：ligand- and structure-based virtual screening，in silico ADME，and molecular dynamics study［J］. Mol Divers，2023. DOI：10.1007/s11030-023-10645-3.

FANG J S，ZHANG P Y，WANG Q，et al. Artificial intelligence framework identifies candidate targets for drug repurposing in Alzheimer's disease［J］. Alzheimers Res Ther，2022，14（1）：7. DOI：10.1186/s13195-021-00951-z.

SHU S，WOO B K. Use of technology and social media in dementia care：current and future directions［J］. World J Psychiatry，2021，11（4）：109-123. DOI：10.5498/wjp.v11.i4.109.

THYRIAN J R，HERTEL J，WUCHERER D，et al. Effectiveness and safety of dementia care management in primary care：a randomized clinical trial［J］. JAMA Psychiatry，2017，74（10）：996-1004. DOI：10.1001/jamapsychiatry.2017.2124.

MOON S，PARK K. The effect of digital reminiscence therapy on people with dementia：a pilot randomized controlled trial［J］. BMC Geriatr，2020，20（1）：166. DOI：10.1186/s12877-020-01563-2.

CAI X L，XIE D J，MADSEN K H，et al. Generalizability of machine learning for classification of schizophrenia based on resting-state functional MRI data［J］. Hum Brain Mapp，2020，41（1）：172-184. DOI：10.1002/hbm.24797.

LI Q，YANG M Q. Comparison of machine learning approaches for enhancing Alzheimer's disease classification［J］. PeerJ，2021，9：e10549. DOI：10.7717/peerj.10549.

AN N，DING H T，YANG J Y，et al. Deep ensemble learning for Alzheimer's disease classification［J］. J Biomed Inform，2020，105：103411. DOI：10.1016/j.jbi.2020.103411.

（本文編輯：毛亞敏）

*通信作者：姜婧，副教授；E-mail：ngxi7847@126.com

基金項(xiàng)目：國家自然科學(xué)基金面上項(xiàng)目（82174515）；2023年北京中醫(yī)藥大學(xué)研究生自主科研課題（ZJKT2023070）

引用本文：余如霞，姜婧，王湫澄，等. 人工智能在阿爾茨海默病臨床診療中的研究熱點(diǎn)及前沿趨勢分析［J］. 中國全科醫(yī)學(xué)，2024，

27（26）：3218-3226. DOI：10.12114/j.issn.1007-9572.2023.0704. ［www.chinagp.net］

YU R X，JIANG J，WANG Q C，et al. The hotspots and frontier trends of artificial intelligence in the clinical diagnosis and treatment of Alzheimer's disease：bibliometric analysis of the past 20 years［J］. Chinese General Practice，2024，27（26）：3218-3226.

? Editorial Office of Chinese General Practice. This is an open access article under the CC BY-NC-ND 4.0 license.