人工智能應用于骨科領域相關研究的可視化分析

郭 昊 閆靜茹 廉洪宇 陳廣新 李子濤 劉可鑫 劉鑫偉 張 嘉

1.牡丹江醫學院附屬紅旗醫院骨外二科，黑龍江牡丹江 157011；2.哈爾濱師范大學教育科學學院，黑龍江哈爾濱 150025；3.牡丹江醫學院影像學院，黑龍江牡丹江 157011

骨科疾病包括創傷骨折、骨骼退行性疾病、骨腫瘤及骨質疏松等代謝性疾病[1]。目前，在臨床骨科中常見的醫療事故發生原因部分可歸結為醫師自身經驗不足而導致誤診及效率低下，這些不僅會延誤或加重病情，還會增大醫療成本并對患者帶來不可逆損傷[2]。人工智能（artificial intelligence，AI）是仿真和拓展大腦智能的一項技術科學，通過先進的卷積神經網絡技術來對大數據進行學習，是引領未來的戰略性技術[3]。AI 結合骨科領域的智能化醫療對提高醫師工作效率、加快患者康復進度、降低醫療風險具有重要意義[4]。CiteSpace 軟件是由陳超美博士開發的可視化分析軟件，優勢在于收集整理大量文獻信息，通過不同類型的視圖分析來獲取某學科的知識基礎、研究熱點及發展趨勢[5]。本研究分析近20 年AI 應用于骨科領域的相關文獻，通過繪制知識圖譜來探討該領域國內外發展現況、研究熱點及趨勢。目前尚少見應用文獻計量學研究系統對該領域進行分析和概述。

1 資料和方法

1.1 數據來源

檢索時限為2001 年1 月至2021 年11 月，CNKI中檢索式TS=（人工智能or 深度學習）and（骨科or 骨折or 關節置換or 腰椎or 胸椎or 骨質疏松or 骨腫瘤or 骨關節炎or 骨齡or 脊柱）；Web of Science 中檢索式TS=（“Artificial intelligence”or “deep learning”）and（“orthopedic”or“arthroplasty”or“fracture”or“osteoporosis”or“spine”or“bone tumour”or“osteoarthritis”）。納入標準：摘要內容符合AI 結合骨科領域的主題。排除標準：科技成果、報紙、會議。

1.2 分析方法

①分別將CNKI 所得中文文獻以RefWorks 格式，Web of Science 所得外文文獻以純文本形式導出，命名為download*.txt。導入CiteSpace 5.8.R1 中，時間跨度均選擇2001—2021 年，時間切片為1，閾值默認選擇。②年發文量以折線圖形式展現。③納入文獻按照作者、機構、國家、關鍵詞進行分析。

1.3 指標解讀

頻次代表出現次數，高頻次節點代表研究熱點；中心性代表所在領域的重要性；突現值＞3 具有重要意義[6]；模塊值Q 值和總體值S 值介于0～1，Q＞0.3 和S＞0.6 表示聚類集群成功[7]。

2 結果

CNKI 篩選后納入研究448 篇，Web of Science 數據庫納入研究1 244 篇。

2.1 發文量分析

國內外發文量最早從2016 年始快速增長，國內學者從2018 年始重視該領域的研究，2018—2021 年發文量總計859 篇。而國外在2019—2020 年涌現出大量研究者且發文量漲幅飛速，僅1 年時間就增加了211 篇。見圖1。

圖1 國內外年發文量

2.2 作者合作網絡分析

以作者為節點分析，根據圖譜數據統計發文量前5 的作者，見表1。國內發文量最突出的作者為劉星宇，國外發文量最高的作者為Karnuta JM。學者在該領域的研究可概括出兩種團隊模式：緊密型和松散型。緊密型中學者較多且交流密切，松散型多是幾位學者共同參與同一研究，國內外作者在該研究領域以緊密型團隊模式為主。見圖2～3。

表1 國內外發文量前5 的學者

圖2 國內學者共現圖譜

圖3 國外學者共現圖譜

2.3 機構地區共現分析

從研究機構的地區分布來看，國內發文量前3 的機構均來自北京，國外在該領域發文量排名前3 均來自美國。北京各機構之間在該領域的合作最為緊密且開展年份最早，國內各省份機構節點連線較少，國外尤其美國各機構之間交流較多。見圖4～5、表2。

圖4 國內機構共現圖

圖5 國外機構共現圖

2.4 國家共現分析

國家共現分析結果顯示，美國和多個國家的合作關系都較為密切，中心性排名前5 各國家的中心度均≥0.10，與其他國家比較，我國在AI 應用于骨科領域的研究影響力還有待提升。見表3、圖6。

表3 中心性排名前5 位的國家

圖6 國家共現圖

2.5 研究熱點分析

2.5.1 關鍵詞共現及突現分析 國內文獻關鍵詞共現圖譜共400 個節點，764 條連線，見圖7。關鍵詞頻次排名前5 位為機器人（203 次）、深度學習（143 次）、AI（135 次）、全髖關節置換術（45 次）、外科手術（26 次）。國外文獻關鍵詞共現圖譜共674 個節點，1 742 條連線，見圖8。關鍵詞頻次排名前5 位為deep learning（340 次）、artificial intelligence（214 次）、machine learning（131 次）、classification（121 次）、neural network（106 次）。國內外關鍵詞突現分析結果顯示，國內出現12 次突現，早期研究熱點集中在手術入路、角度測量及對稱通道卷積網絡長達14 年，卷積神經網絡和機器學習是從2019 年持續至今的關鍵詞。國外出現3 次突現為人工神經網絡、并發癥和學習曲線，人工神經網絡于2004 年開始出現并于2018 年止，持續時間最長久為14 年。見圖9～10。

圖7 國內關鍵詞共現圖譜

圖8 國外關鍵詞共現圖譜

圖9 國內關鍵詞突現圖

圖10 國外關鍵詞突現圖

2.5.2 關鍵詞聚類分析 國內外關鍵詞聚類視圖中選取排名前10 的關鍵詞，聚類大小與聚類序號呈負相關，中文文獻關鍵詞聚類分析顯示，Q=0.77，S=0.91；外文文獻關鍵詞聚類分析顯示，Q=0.72，S=0.84。國內外聚類圖譜展示了該領域研究的整體結構。其中，國內對該領域的關注點較為集中在診斷識別、輔助測量及外科手術上；而國外則更加側重對于卷積神經網絡和算法研究。見圖11～12。

圖11 國內關鍵詞聚類圖

3 討論

AI 利用其深度學習的特征搭建人工神經網絡，同時其可通過大量醫學數據建立訓練模型來分析圖像、評估風險等[8]。CiteSpace 可視化分析其最大的特色在于通過繪制網絡圖譜展現該領域的演進歷程，自動顯示研究前沿及引文節點文獻，直觀掌握該領域研究的整體情況[9]。本研究基于CiteSpace 分析結果和文獻的閱讀，從概括到具體地對AI 應用于骨科領域的相關文獻進行系統梳理。

圖12 國外關鍵詞聚類圖

3.1 AI 預測患病風險

目前疾病預測主要應用在骨密度、骨質疏松、股骨頭壞死等方面[10]。AI 系統可通過X 線顯示骨密度，進而提示發生骨質疏松性骨折風險[11]。同時Zhu 等[12]應用深度學習預測術后患者并發股骨頭缺血性壞死的概率，證明AI 預測骨科疾病系統能有效檢測并提出早期干預，防止疾病進一步發展。

3.2 AI 輔助骨科診斷

AI 通過學習大量影像學數據可以快速準確診斷各種骨折并準確進行骨關節炎分型來指導下一步治療[13-14]。對于骨科退行性疾病，鐘京諭等[15]利用AI 對髖、膝骨關節炎CT 圖像進行診斷及分級，馬少龍[16]通過深度學習技術對椎間盤突出及骨質增生進行識別檢測及可行性分析；夏楚藜[17]通過研發系統利用機器學習對骨腫瘤進行準確識別診斷。AI 輔助下診斷效率及準確率的提升方便了骨科醫師的臨床工作，為進一步精確治療提供充足保障。

3.3 AI 促進手術智能化

AI 可應用在術前規劃及術中輔助上，有研究證明，AI 術前規劃系統對于關節假體型號和髖臼大小的識別測量可大幅提升假體置入的準確率，其短期療效滿意[18-19]。有研究利用3D 打印技術及術中導航精準切除骨肉瘤，發現術中AI 輔助可提高脊柱椎體成型定位精準度和效率，減少透視次數及放射暴露劑量[20-21]。王亞楠等[22]在機器人輔助下置入脊柱椎弓根螺釘，其方案安全準確省時；劉彥等[23]在機器人輔助下PFNA 內固定治療股骨轉子間骨折。機器人輔助手術的優勢在于精準高效完成手術的同時又可避免術中損傷，降低手術風險及輻射，利于患者術后康復[24]。

3.4 AI 術后康復隨訪

AI 系統可以對術后假體角度進行準確評估，減少醫師工作壓力并及時監測風險。AI 既可以幫助脊髓受損患者恢復運動功能和膀胱控制能力,也可以輔助腰椎髓核摘除術后患者步態訓練，提升治療效果、縮短康復時間[25-26]。

4 小結與展望

近年來AI 應用于骨科領域的研究熱度持續增長，國內外在關注度增長起始點上具有同步性。目前美國在該領域處于領先地位，主要表現在國家機構影響力及發文量較高上，反觀國內研究成果缺乏深度，原因可能與國內現有機構合作地域化相關，這將會出現區域間機構實力懸殊，最終影響我國在AI 應用于骨科領域研究的發展速度和質量。這啟示國內機構及學者應加強與國外該領域先進機構的合作交流，開展自主創新研發來推動國內該領域發展，當前研究熱點主要集中在機器人、深度學習、卷積神經網絡上。

綜上，AI 可大大提高骨科疾病診斷效率，術中精確輔助快速操作，減少術中損傷并加快患者康復，隨著5G 時代的到來將進一步拓寬AI 應用于骨科領域的發展方向。同時CiteSpace 也有許多不足，如無法展示文章的具體內容，需另行查閱分析；僅能從單一的節點分析且該軟件無法同時分析多個數據庫；圖譜解讀因人而異等。