基于文献计量方法的人工智能在超声心动图中的应用进展研究

张浩，常建东

厦门市中医院 超声科，福建 厦门 361000

引言

超声心动图是临床心脏病学中重要的无创成像技术之一，可对心脏进行实时和动态的观察，在评价心脏解剖、心室功能及瓣膜生理中应用广泛[1-3]。然而，对超声心动图进行解读却需要大量的积累以及经验，这大大限制了其在基层医院以及非专业的影像科医生中的应用。目前，随着人工智能技术的发展，国际上已有许多前沿机构将机器学习系统地应用于图像识别[4]，并开发出许多基于深度学习的卷积神经网络（Convolutional Neural Networks，CNN）算法对各类超声心动图进行判别[5-7]。因此，了解目前人工智能技术在超声心动图中应用的现状以及趋势将有助于我国学者发现该领域的研究空白并对该空白进行研究，进而自主研发出相应算法对我国的超声心动图进行自动判别。而Citespace是一款可针对大量文献进行计量并可视化分析的软件，能够直观地展现某一学科研究领域中知识结构的分布以及规律[8-9]，因此，利用该软件，可以了解人工智能技术在超声心动图中应用的研究现状、热点、前沿以及趋势，能够为我国学者在该领域的研究提供参考以及方向。

1 材料与方法

1.1 数据收集

以“echocardiography”OR“echocardiogram”AND“Ar tificial Intelligence”OR“Deep Learning”OR“Machine Learning”OR“Convolutional Neural Networks” 为 主题词，在Web of Science中的核心数据库检索，时间设定为“2011—2021年”，选择论文类型为“Article”以 及“Review”，排 除“Editorial Material”“Meeting Abstract”“Early Access”“Letter” 和“Retracted Publication”等其他的文献类型，将其以txt纯文本及全纪录格式导入Citespace并去重后进行分析。

1.2 研究方法

使用Citespace 5.6.R5（64-bit）对文献的国家、机构、期刊、关键词、共被引参考文献等进行文献计量以及进行可视化分析，并生成相应图谱。使用Excel 2010对Web of Science上检索到的该领域的文献年发文量进行图表绘制，以及对从Citespace中导出的文献计量资料进行统计分析。Citespace的参数设置如下：Time slicing:2013—2021; yearsper slice: 1; selection criteria: G-index;visualization: cluster view-static, show merged network;Pruning: Pathfinder, Pruning sliced networks, Pruning the merged network。

2 结果

2.1 文献量分布

在2013—2021年共检索出383篇文献，见图1。在人工智能技术于超声心动图的应用领域中，2013—2018年的发文量较少且相对平稳，随着时间的推移，2019—2021年，该领域的发文量呈爆发性增长，说明该领域是近3年的研究热点，可推测将来该领域仍有较广阔的研究前景。

图1 2013—2021年人工智能技术在超声心动图应用领域中相关文献的年发文量

2.2 国家以及地区分布

通过Citespace对发文国家及地区进行文献计量及可视化分析，排名前10的国家/地区如表1所示，美国的发文量是中国的2.4倍，同时中介中心性为0.39，因此可认为美国对该领域的发展起“领头羊”作用。在国家合作图谱中（图2），有节点64个、连线124条。其中节点的大小即表示发文量的多少，节点外圈的紫色代表该节点的中介中心性，即代表该节点在该网络中的重要性，紫色的面积最大，中介中心性越高[10]；而连线则代表各节点之间的合作关系，其粗细代表合作的强度。因此，从图中可以看出美国、意大利、德国之间的合作较为紧密，中国、英国、韩国之间的合作较为紧密，印度、新加坡、马来西亚之间合作较为紧密。尽管我国发文量位居第二，然而中介中心性并不高，说明我国需要在该领域进行一些高质量的研究。

图2 2013—2021年人工智能技术在超声心动图应用领域中国家/地区合作图谱

表1 2013—2021年人工智能技术在超声心动图应用领域中相关文献数量前10的国家/地区

2.3 研究机构分布

通过Citespace对该领域的研究机构进行可视化分析后发现，有节点219个、连线281条。发文量前10的研究机构如表2所示，其中美国有6个，可见美国高校及研究机构是该研究领域的主要阵地，说明在人工智能的深度学习领域，美国独占鳌头。而从机构之间合作的图谱来看（图3），我国的上海交通大学、中山大学、南方医科大学、香港中文大学之间有合作关系，梅奥医学中心、俄罗斯科学院、得克萨斯农工大学、圣约瑟夫大学之间有合作关系，西北大学、麻省总医院、阿拉巴马大学伯明翰分校之间有合作关系。然而各机构之间的合作主要还是以地域为主，各国的机构之间缺乏充分的交流与合作。

图3 2013—2021年人工智能技术在超声心动图应用领域中科研机构合作图谱

表2 2013—2021年人工智能技术在超声心动图应用领域中相关文献数量前10的研究机构

2.4 载文期刊分布

如表3所示为人工智能技术在超声心动图应用领域中发文量前10的期刊，从期刊的类型来看，主要还是以医学类为主，其中小类学科为心脏和心血管系统，仅有1个是工程技术大类期刊下计算机、信息系统栏目。从期刊名及影响因子来看，绝大多数都是心脏和心血管系统领域的知名期刊；同时，有80%的期刊来自美国。其中影响因子最高的期刊是美国的JACC-Cardiovasc Imag，为14.805分，另外，来自美国的IEEE T Med Imaging期刊影响因子也达到10.048分，除此之外，大部分期刊的影响因子都在5分左右。无论从刊文量或影响因子来看，美国的期刊均在该领域占有绝对优势。

表3 2013—2021年人工智能技术在超声心动图应用领域中刊文量前10的期刊

3 共被引文献分析

人工智能技术在超声心动图应用领域中共被引次数前10的文献如表4所示，这10篇高被引文献中，有7篇是关于各种CNN算法在超声心动图识别中的应用研究，2篇是关于人工智能深度学习的研究，1篇是欧洲心血管成像协会针对成人超声心动图给出的检查指南。其中共被引次数最高（70次）的是Zhang等[11]发表在Ophthalmology上的关于在临床实践中使用人工智能技术对超声心动图判读的可行性及诊断准确性分析。而欧洲心血管成像协会针对成人超声心动图中心腔量化给出的建议共被引次数为60，排名第2[3]。另外共被引次数排名第3及第4的是Madani等[12]的基于深度学习技术对超声心动图进行快速准确视图分类的研究及Ronneberger等[13]利用U-Net CNN对生物医学图像进行分割的报道，分别为47次及41次。

表4 2013—2021年人工智能技术在超声心动图应用领域中共被引次数前10的文献

4 研究趋势及热点分析

利用Citespace选取关键词作为节点，运用其突现词分析功能，可揭示人工智能技术在超声心动图应用领域中的趋势以及热点。突现是指一些关键词出现的频率在短时间内激增，反映了该阶段的热点[19-20]。图4显示了从2013—2021年近10年来人工智能技术在超声心动图应用领域中的突现词，共计17个。红色的条纹代表该热点的持续时间。因此，在该领域，早期在于探索如何将人工智能技术应用于超声心动图的识别，即如何将图像的特征与相应的诊断进行关联，后来即通过开发相应的算法对二维超声心动图进行识别，最近的热点为将深度学习应用于超声心动图的心肌病及冠心病等的诊断。

图4 2013—2021年人工智能技术在超声心动图应用领域中的突现关键词

5 讨论

本研究通过Citespace对Web of Science核心数据库中近10年关于人工智能技术在超声心动图应用领域中发表的文献进行文献计量以及可视化分析，从年发文量、主要的研究国家及地区、研究机构、该领域的主要发文期刊及代表性文献、该领域的研究热点以及前沿等方面进行了较为全面的分析。

5.1 年发文量

本文对人工智能技术在超声心动图中的应用领域进行了较为广泛且深入的研究，结果表明，近10年发文量呈上升趋势，由图1可知，2013—2018年，该领域发文量呈缓慢增长的趋势；2019—2021年，该领域内发文量呈现暴涨的趋势，2019年发文量是2018年的2.2倍，而2020年的发文量是2019年的2.6倍左右，2021年的发文量约为前2年之和。因此，根据科研热点趋势情况的一般规律可以推测，将来人工智能技术在超声心动图的应用领域中，基于各种深度学习及CNN算法应用于图像识别及诊断的研究将继续保持较高热度。

5.2 研究国家

各国在该领域的研究，形成以美国为核心的布局，环绕在美国周边的主要研究国家有中国、英国、韩国、德国、西班牙等。因此，美国在人工智能医学影像识别的前沿领域依然占据优势地位，而周边各国主要是和美国有合作关系。然而，从各国合作的可视化图可以看出，各国之间的联系并不紧密，说明各国之间的合作并不多。美国及中国的发文量最多，而美国的发文量约是中国、英国、法国、加拿大之和。尽管我国的发文量位居第2，但我国在该领域研究的中介中心性并不高，仅0.06，而中介中心性是评价文章在该领域影响力的一个重要指标。我国主要与英国、韩国之间的合作较为紧密，这说明我国不仅需要在该领域加强与他国之间的交流合作，还需要开发一些原创性算法，对人工智能在超声心动图应用领域进行深入研究，力求有创新及突破。

5.3 研究机构

从研究机构来看，该领域的研究主要在国际上高水平的研究机构中进行，如梅奥医学中心、不列颠哥伦比亚大学、西北大学等，皆是世界级名校或顶级的医疗机构。这说明将人工智能应用于生物图像信息识别，特别是医学影像方面，对高精尖技术的要求极高。从趋势来看，医学影像判读的人工智能化将是未来的研究热点。我国的研究机构主要以中国科学院、中山大学、南方医科大学为主；然而各研究机构主要是以地域形成各自的研究圈子，从全球的角度看，合作相对分散，缺乏充分的交流及合作。该领域是多学科结合的新兴领域，因此仅依靠医学院或工科院校无法在该领域取得研究上的突破，因此，我国的顶级医疗机构应充分与具有人工智能优势的科研院所交流合作，如中国科学院等一流科研机构。

5.4 发文期刊

该领域的发文期刊绝大多数为心脏和心血管系统的Top期刊，与发文量最多的国家及研究机构主要地区相似的是，该领域的发文期刊仍是以美国为主。因该领域主要是属于学科交叉范畴，因此前10的发行期刊中包含了1本在工程技术大类下的期刊（IEEE Access）。在该领域发文量最多的期刊是来自瑞士的Front Cardiovasc Med，影响因子为6.050分，分区为中科院二区，排名第2及第3的期刊为来自美国的IEEE T Med Imaging和JACC-Cardiovasc Imag，影响因子分别为10.048和14.805，分区为中科院一区。因此从发文量最多期刊的影响因子及分区也能直观看出该领域研究的价值。

5.5 研究趋势

通过对关键词的共现，从突现词的角度可以了解人工智能技术在超声心动图应用领域的研究热点以及趋势。可以将其总结为3个阶段：① 早期在于探索如何将人工智能技术应用于超声心动图的识别，即如何将图像的特征与相应的诊断进行关联；② 后来通过开发相应的算法对二维超声心动图进行识别；③ 最近的热点在将深度学习应用于超声心动图的心肌病及冠心病等的诊断。2015年Knackstedt等[2]使用具备机器学习功能的新型全自动图像分析软件对左心室容积和射血分数以及纵向应变进行测量，并且与目测法及手动追踪法进行对比，发现应用机器学习的全自动分析软件能够进行快速、可重复的测量，并且与手动追踪具有良好的一致性。同年，Ronneberger等[13]发表的文章开启了将全卷积神经网络（Fully Convolutional Networks，FCN）应用于生物图像识别方面的热潮。U-Net是一种端到端的U型FCN，该算法在ISBI2015显微图像分割竞赛中取得冠军，优于卷积滑动窗口算法，采用编码器（下采样）-编码器（上采样）的设计方式；笔者认为FCN需要的注释图像数量较少，能非常好地应用于生物医学影像领域。

有了对医学影像图像进行快速识别分隔的方法后，2016年，Narula等[14]开发了具有3种不同机器学习算法（支持向量机、随机森林和人工神经网络）的集成机器学习模型，通过对斑点追踪超声心动图数据集的识别，来区分肥厚型心肌病和运动员生理性肥厚。同年，Tsang等[21]通过自动自适应分析算法计算3D经胸超声心动图中左心房和左心室容积以及左心室射血分数，结果与现实生活中使用手动三维超声心动图的测量值（r=0.87vs.0.96）及心脏磁共振测量值（r=0.84vs.0.95）相当。至2018年，Madani等[12]基于深度学习对超声心动图的快速准确视图分类进行了探索，他们将经胸超声心动图分为15个标准视图（胸骨旁长轴、右心室流入道、基底短轴、中段或二尖瓣水平的短轴、心尖四腔、心尖五腔、心尖二腔、心尖三腔/心尖长轴、肋下四腔、肋下下腔静脉、肋下/腹主动脉、胸骨上主动脉/主动脉弓、脉冲多普勒、连续波多普勒和m模式），使用随机选择的真实世界超声心动图来训练神经网络的模型，进而利用CNN的监督深度学习对图像进行自动分类以及识别，从而划分到这15个标准视图中，实现了97.8%的平均总体测试准确率。其中，在前12个视图中的7个中实现了100%的准确率，在连续波、脉冲宽度和m模式中的准确率分别为98%、83%和99%。

因此，鉴于已有诸多研究证明了人工智能应用于超声心动图图像识别的可行性，学者们开始考虑在现实场景中布局人工智能诊断。如Zhang等[11]研究了临床实践中的全自动超声心动图判读可行性和诊断准确性，他们通过使用CNN模型，来对超声心动图进行多个视图的自动识别以及心腔分割，以量化心室容积和左心室质量，确定射血分数，并通过斑点追踪自动确定纵向应变，其中左心室质量、左心室舒张容积和左心房容积观测值的中位数绝对偏差为15%～17%，射血分数的中位数绝对偏差为9.7%（n=6407），纵向应变测量值的中位数绝对偏差为7.5%（n=419）和9.0%（n=110）；并且开发了3种模型用于检测肥厚型心肌病、心脏淀粉样蛋白和肺动脉高压，其ROC曲线下面积分别为0.93、0.87、0.80，认为超声心动图的自动判读能够大大增加其在基层医疗机构的普及化。

5.6 研究热点

近期的热点在于应用CNN模型对超声心动图图像中的局部室壁运动异常进行评估及识别，进而预测患者的表型。如2020年Kusunose等[22]研究了深度卷积神经网络（Deep Convolutional Neural Networks，DCNN）是否能提供更好的局部室壁运动异常检测，通过在常规二维超声心动图图像中区分冠状动脉梗死区域，并与心脏病专家、超声医师和住院医师的诊断相比较，结果表明深度学习算法的AUC与心脏病专家和超声医师判读的相似（0.99vs.0.98，P=0.150）；显著高于住院医师的判读结果（0.99vs.0.90，P=0.002）。另外，对于左室节段运动异常存在区域的检测，也出现类似的结果。这表明DCNN在超声心动图领域可用于局部室壁运动异常的自动诊断。同年，Ghorbani等[18]训练了1个神经网络模型来识别局部心脏结构，估计心脏功能，并预测患者的表型。该EchoNet深度学习模型可准确识别起搏器导线（AUC=0.89）、左心房扩大（AUC=0.86）、左心室肥大（AUC=0.75）、左心室收缩末期和舒张末期容积（R2=0.74、0.70）、射血分数（R2=0.50）；同时也可对表型进行较准确的预测。

6 总结

目前，在人工智能技术愈演愈热，且已应用于生产生活的各个场景的大背景下[23-26]，在医学影像学领域，特别是超声心动图的识别方面，也出现了很多新的研究[27-28]，并且将在很大程度上改变目前超声诊断领域的分工。本文应用CiteSpace软件分析了近10年来人工智能在超声心动图应用领域中发表的相关文献，展示出了该领域目前主要的研究现状，分析了其研究主体（主要研究国家及机构）在全球的分布以及研究中取得的阶段性的成果，并揭示了该领域的研究趋势以及当下的研究热点，可为研究人员对该领域进行进一步研究提供一定的参考价值。