人工智能与影像组学在乳腺癌成像研究中的现状与展望

中山大学的研究人员为探究人工智能（AI）和影像组学在乳腺癌成像领域的研究现状与前沿热点，开展了文献计量分析研究，发现该领域发展迅速，未来热点聚焦于可解释 AI、淋巴管血管侵犯（LVI）和新辅助化疗（NAC），为后续研究提供参考。

　　

在当今医疗科技领域，乳腺癌已成为全球女性健康的重大威胁。据《2022 年全球癌症统计报告》显示，乳腺癌的发病率（11.6%）和死亡率（6.9%）在全球女性恶性肿瘤中均居首位。早期发现和诊断乳腺癌对于降低死亡率至关重要，但传统的病理活检虽为诊断金标准，却具有侵入性，给患者带来痛苦和风险。于是，非侵入性的医学成像技术逐渐崭露头角，在乳腺癌的筛查和诊断中发挥着越来越重要的作用。然而，医学成像也并非完美无缺，由于肿瘤的异质性以及对主观因素的依赖，其敏感性和特异性仍有待提高。

就在医学成像陷入困境之时，影像组学和人工智能（AI）的出现为乳腺癌的诊断带来了新的曙光。影像组学能够从单一或多种医学成像模态中提取大量定量特征，增强医学成像的检测和预测潜力，提升癌症诊断和预后评估的准确性；AI 技术，尤其是深度学习，更是凭借强大的数据分析和模式识别能力，在乳腺癌成像领域展现出巨大的应用潜力。二者的结合，有望突破传统医学成像的局限，实现乳腺癌的精准诊断和治疗。

但令人遗憾的是，尽管影像组学和 AI 在乳腺癌成像领域取得了不少进展，却缺乏对该领域全面系统的分析。为了填补这一空白，中山大学的研究人员勇挑重担，开展了一项针对 AI、影像组学和乳腺癌成像领域的文献计量分析研究。这一研究意义非凡，它不仅能揭示该领域的研究现状，还能精准定位前沿热点，为后续的科研工作提供重要参考，犹如为迷茫的科研人员点亮一盏明灯。最终，该研究成果发表在《Breast Cancer Research and Treatment》期刊上。

为了完成这项研究，研究人员运用了多种关键技术方法。他们首先在 Web of Science 核心合集（WoSCC）数据库中进行文献检索，筛选出与乳腺癌、医学成像、AI 和影像组学相关的文献。之后，借助 R 语言、CiteSpace、VOSviewer 和 Pajek 等软件对数据进行处理和可视化分析。这些软件相互配合，从不同角度展示数据，帮助研究人员挖掘其中隐藏的信息。

下面让我们一同深入了解该研究的具体成果：

1. 年度出版物和引文：研究人员共检索到 2701 篇 WoSCC 出版物，其中包括 2486 篇文章（92.04%）和 215 篇综述（7.96%）。从 2008 年至 2023 年，出版物和引文数量逐年递增，且自 2018 年起增长趋势更为迅猛。这一数据直观地反映出该领域正处于蓬勃发展的阶段，越来越多的科研人员投身其中，研究成果也不断涌现。

2. 出版物分布：在众多科研人员中，Bin Zheng 发表的相关出版物数量最多（n = 28），紧随其后的是 Hui Li（n = 26）和 Pinker, Katja（n = 24）。在机构方面，中山大学以 75 篇相关出版物位居榜首，Fudan University（n = 74）次之。而从国家层面来看，中国以 902 篇出版物领先，美国（360 篇出版物）和印度（251 篇出版物）位列其后。这些数据清晰地展示了在该领域中，哪些科研人员和机构最为活跃，是推动领域发展的主力军。

3. 引文分布：Nico Karssemeijer 以平均 72.1429 次的高引文数拔得头筹，Maryellen L.Giger（n = 70.2174）和 Maciej A. Mazurowski（n = 66.1111）也表现出色。从国家的引文情况来看，美国以 17762 次的总引文数排名第一，中国（n = 16634）紧随其后。其中，Scott Mayer McKinney 在 2020 年发表的《International Evaluation of an AI System for Breast Cancer Screening》一文的引用次数高达 1354 次，成为被引用最多的文献。这些高被引的科研人员和文献，无疑为该领域的研究提供了重要的参考和指引。

4. 合作分布：通过分析作者、机构和国家 / 地区之间的合作网络，研究发现 Heng Ma、Ning Mao 和 Hanzhu Xie 等作者之间合作紧密。机构层面，中山大学与广州中医药大学、Fudan University 与山东大学之间的合作也较为频繁。在国家 / 地区方面，出版物大多集中在亚洲、北美和欧洲国家。印度（n = 88.4%）和中国（83.4%）的单国出版物比例较高，而欧洲国家的多国出版物比例更高，如德国的多国出版物比例达 56.5% ，英国为 53.7%。这表明不同地区在科研合作模式上存在差异，也反映出全球科研合作的多样性。

5. 期刊分析：在众多期刊中，《Frontiers in Oncology》发表的相关出版物数量最多（n = 140），《European Radiology》（n = 84）位居第二。而在影响因子（IF）方面，《Radiology》以 IF = 12.1 的高分领跑，《Computers in Biology and Medicine》（IF = 7）也表现不俗。自 2020 年起，《Frontiers in Oncology》的出版物数量呈快速增长态势。这些数据为科研人员选择投稿期刊提供了重要参考，也反映出不同期刊在该领域的影响力。

6. 关键词和热点分析：研究人员对关键词进行深入分析后发现，“乳腺癌”（1310 次）出现的频率最高，“深度学习”（551 次）和 “分类”（517 次）也较为常见。进一步聚类分析得到七个研究方向，分别为影像组学、新辅助化疗（NAC）、机器学习、乳腺癌、腋窝淋巴结、纹理分析和深度学习。近年来，影像组学、NAC 和深度学习发展迅速。在过去两年中，研究重点逐渐转向淋巴管血管侵犯（LVI）、NAC、可解释 AI 和注意力机制。此外，AI、病理完全缓解、淋巴结转移、NAC 和注意力机制等关键词的引文强度在过去一年显著增加。这一系列发现揭示了该领域的研究热点和发展趋势，为科研人员确定研究方向提供了重要依据。

综合研究结果和讨论部分，这项研究意义重大。它全面呈现了 AI 和影像组学在乳腺癌成像领域的研究现状，让科研人员对该领域的整体情况有了清晰的认识。通过分析发现的未来研究热点，如可解释 AI 在技术领域的进展，以及 LVI 和 NAC 在临床应用中的预测，为后续研究指明了方向。可解释 AI 有望解决深度学习 “黑箱” 问题，增强 AI 在医学领域的可信度和可解释性；对 LVI 和 NAC 的深入研究，有助于优化乳腺癌的治疗策略，提高患者的治疗效果和生存率。同时，研究也指出了当前研究存在的局限性，如文献筛选的局限性、数据分析软件的差异等，为后续研究改进提供了思路。

总的来说，中山大学研究人员的这项研究成果，为乳腺癌成像领域的科研工作提供了宝贵的参考，推动了该领域的进一步发展，为攻克乳腺癌这一难题奠定了坚实的基础。