人工智能应用于骨科领域相关研究的可视化分析

郭 昊 闫静茹 廉洪宇 陈广新 李子涛 刘可鑫 刘鑫伟 张 嘉

1.牡丹江医学院附属红旗医院骨外二科，黑龙江牡丹江 157011；2.哈尔滨师范大学教育科学学院，黑龙江哈尔滨 150025；3.牡丹江医学院影像学院，黑龙江牡丹江 157011

骨科疾病包括创伤骨折、骨骼退行性疾病、骨肿瘤及骨质疏松等代谢性疾病[1]。目前，在临床骨科中常见的医疗事故发生原因部分可归结为医师自身经验不足而导致误诊及效率低下，这些不仅会延误或加重病情，还会增大医疗成本并对患者带来不可逆损伤[2]。人工智能（artificial intelligence，AI）是仿真和拓展大脑智能的一项技术科学，通过先进的卷积神经网络技术来对大数据进行学习，是引领未来的战略性技术[3]。AI 结合骨科领域的智能化医疗对提高医师工作效率、加快患者康复进度、降低医疗风险具有重要意义[4]。CiteSpace 软件是由陈超美博士开发的可视化分析软件，优势在于收集整理大量文献信息，通过不同类型的视图分析来获取某学科的知识基础、研究热点及发展趋势[5]。本研究分析近20 年AI 应用于骨科领域的相关文献，通过绘制知识图谱来探讨该领域国内外发展现况、研究热点及趋势。目前尚少见应用文献计量学研究系统对该领域进行分析和概述。

1 资料和方法

1.1 数据来源

检索时限为2001 年1 月至2021 年11 月，CNKI中检索式TS=（人工智能or 深度学习）and（骨科or 骨折or 关节置换or 腰椎or 胸椎or 骨质疏松or 骨肿瘤or 骨关节炎or 骨龄or 脊柱）；Web of Science 中检索式TS=（“Artificial intelligence”or “deep learning”）and（“orthopedic”or“arthroplasty”or“fracture”or“osteoporosis”or“spine”or“bone tumour”or“osteoarthritis”）。纳入标准：摘要内容符合AI 结合骨科领域的主题。排除标准：科技成果、报纸、会议。

1.2 分析方法

①分别将CNKI 所得中文文献以RefWorks 格式，Web of Science 所得外文文献以纯文本形式导出，命名为download*.txt。导入CiteSpace 5.8.R1 中，时间跨度均选择2001—2021 年，时间切片为1，阈值默认选择。②年发文量以折线图形式展现。③纳入文献按照作者、机构、国家、关键词进行分析。

1.3 指标解读

频次代表出现次数，高频次节点代表研究热点；中心性代表所在领域的重要性；突现值＞3 具有重要意义[6]；模块值Q 值和总体值S 值介于0～1，Q＞0.3 和S＞0.6 表示聚类集群成功[7]。

2 结果

CNKI 筛选后纳入研究448 篇，Web of Science 数据库纳入研究1 244 篇。

2.1 发文量分析

国内外发文量最早从2016 年始快速增长，国内学者从2018 年始重视该领域的研究，2018—2021 年发文量总计859 篇。而国外在2019—2020 年涌现出大量研究者且发文量涨幅飞速，仅1 年时间就增加了211 篇。见图1。

图1 国内外年发文量

2.2 作者合作网络分析

以作者为节点分析，根据图谱数据统计发文量前5 的作者，见表1。国内发文量最突出的作者为刘星宇，国外发文量最高的作者为Karnuta JM。学者在该领域的研究可概括出两种团队模式：紧密型和松散型。紧密型中学者较多且交流密切，松散型多是几位学者共同参与同一研究，国内外作者在该研究领域以紧密型团队模式为主。见图2～3。

表1 国内外发文量前5 的学者

图2 国内学者共现图谱

图3 国外学者共现图谱

2.3 机构地区共现分析

从研究机构的地区分布来看，国内发文量前3 的机构均来自北京，国外在该领域发文量排名前3 均来自美国。北京各机构之间在该领域的合作最为紧密且开展年份最早，国内各省份机构节点连线较少，国外尤其美国各机构之间交流较多。见图4～5、表2。

图4 国内机构共现图

图5 国外机构共现图

2.4 国家共现分析

国家共现分析结果显示，美国和多个国家的合作关系都较为密切，中心性排名前5 各国家的中心度均≥0.10，与其他国家比较，我国在AI 应用于骨科领域的研究影响力还有待提升。见表3、图6。

表3 中心性排名前5 位的国家

图6 国家共现图

2.5 研究热点分析

2.5.1 关键词共现及突现分析 国内文献关键词共现图谱共400 个节点，764 条连线，见图7。关键词频次排名前5 位为机器人（203 次）、深度学习（143 次）、AI（135 次）、全髋关节置换术（45 次）、外科手术（26 次）。国外文献关键词共现图谱共674 个节点，1 742 条连线，见图8。关键词频次排名前5 位为deep learning（340 次）、artificial intelligence（214 次）、machine learning（131 次）、classification（121 次）、neural network（106 次）。国内外关键词突现分析结果显示，国内出现12 次突现，早期研究热点集中在手术入路、角度测量及对称通道卷积网络长达14 年，卷积神经网络和机器学习是从2019 年持续至今的关键词。国外出现3 次突现为人工神经网络、并发症和学习曲线，人工神经网络于2004 年开始出现并于2018 年止，持续时间最长久为14 年。见图9～10。

图7 国内关键词共现图谱

图8 国外关键词共现图谱

图9 国内关键词突现图

图10 国外关键词突现图

2.5.2 关键词聚类分析 国内外关键词聚类视图中选取排名前10 的关键词，聚类大小与聚类序号呈负相关，中文文献关键词聚类分析显示，Q=0.77，S=0.91；外文文献关键词聚类分析显示，Q=0.72，S=0.84。国内外聚类图谱展示了该领域研究的整体结构。其中，国内对该领域的关注点较为集中在诊断识别、辅助测量及外科手术上；而国外则更加侧重对于卷积神经网络和算法研究。见图11～12。

图11 国内关键词聚类图

3 讨论

AI 利用其深度学习的特征搭建人工神经网络，同时其可通过大量医学数据建立训练模型来分析图像、评估风险等[8]。CiteSpace 可视化分析其最大的特色在于通过绘制网络图谱展现该领域的演进历程，自动显示研究前沿及引文节点文献，直观掌握该领域研究的整体情况[9]。本研究基于CiteSpace 分析结果和文献的阅读，从概括到具体地对AI 应用于骨科领域的相关文献进行系统梳理。

图12 国外关键词聚类图

3.1 AI 预测患病风险

目前疾病预测主要应用在骨密度、骨质疏松、股骨头坏死等方面[10]。AI 系统可通过X 线显示骨密度，进而提示发生骨质疏松性骨折风险[11]。同时Zhu 等[12]应用深度学习预测术后患者并发股骨头缺血性坏死的概率，证明AI 预测骨科疾病系统能有效检测并提出早期干预，防止疾病进一步发展。

3.2 AI 辅助骨科诊断

AI 通过学习大量影像学数据可以快速准确诊断各种骨折并准确进行骨关节炎分型来指导下一步治疗[13-14]。对于骨科退行性疾病，钟京谕等[15]利用AI 对髋、膝骨关节炎CT 图像进行诊断及分级，马少龙[16]通过深度学习技术对椎间盘突出及骨质增生进行识别检测及可行性分析；夏楚藜[17]通过研发系统利用机器学习对骨肿瘤进行准确识别诊断。AI 辅助下诊断效率及准确率的提升方便了骨科医师的临床工作，为进一步精确治疗提供充足保障。

3.3 AI 促进手术智能化

AI 可应用在术前规划及术中辅助上，有研究证明，AI 术前规划系统对于关节假体型号和髋臼大小的识别测量可大幅提升假体置入的准确率，其短期疗效满意[18-19]。有研究利用3D 打印技术及术中导航精准切除骨肉瘤，发现术中AI 辅助可提高脊柱椎体成型定位精准度和效率，减少透视次数及放射暴露剂量[20-21]。王亚楠等[22]在机器人辅助下置入脊柱椎弓根螺钉，其方案安全准确省时；刘彦等[23]在机器人辅助下PFNA 内固定治疗股骨转子间骨折。机器人辅助手术的优势在于精准高效完成手术的同时又可避免术中损伤，降低手术风险及辐射，利于患者术后康复[24]。

3.4 AI 术后康复随访

AI 系统可以对术后假体角度进行准确评估，减少医师工作压力并及时监测风险。AI 既可以帮助脊髓受损患者恢复运动功能和膀胱控制能力,也可以辅助腰椎髓核摘除术后患者步态训练，提升治疗效果、缩短康复时间[25-26]。

4 小结与展望

近年来AI 应用于骨科领域的研究热度持续增长，国内外在关注度增长起始点上具有同步性。目前美国在该领域处于领先地位，主要表现在国家机构影响力及发文量较高上，反观国内研究成果缺乏深度，原因可能与国内现有机构合作地域化相关，这将会出现区域间机构实力悬殊，最终影响我国在AI 应用于骨科领域研究的发展速度和质量。这启示国内机构及学者应加强与国外该领域先进机构的合作交流，开展自主创新研发来推动国内该领域发展，当前研究热点主要集中在机器人、深度学习、卷积神经网络上。

综上，AI 可大大提高骨科疾病诊断效率，术中精确辅助快速操作，减少术中损伤并加快患者康复，随着5G 时代的到来将进一步拓宽AI 应用于骨科领域的发展方向。同时CiteSpace 也有许多不足，如无法展示文章的具体内容，需另行查阅分析；仅能从单一的节点分析且该软件无法同时分析多个数据库；图谱解读因人而异等。