人工智能應用于糖尿病視網膜病變的文獻計量學分析

劉春，蹇文淵，段俊國，3*

糖尿病視網膜病變（DR）是糖尿病常見的微血管并發癥之一，是40歲以上人群視力損害及致盲的主要原因［1］。預計到2045年，全球糖尿病患者數量將增至6.43億［2］，DR發病率將隨之遞增。有研究報道，98%的DR患者可通過早期篩查、診斷和及時治療避免失明結局［3］。但現有醫療資源分布不均，眼科醫生數量有限［4］，這一目標將難以實現。近年來，隨著計算機科學的發展，人工智能（artificial intelligence，AI）在醫學領域呈現出迅猛發展的態勢，其在眼科學的應用范圍也在不斷擴展［5-6］。DR因其患病率高、預后不佳及根據眼底彩照即可確診等特點，成為最早開展AI研究、相關研究最多且研究最為成熟的眼科疾病［7］，但目前該領域仍缺乏針對AI應用的統一認知和研究規范。

CiteSpace通過對特定領域相關文獻進行計量，繪制可視化知識圖譜，從而了解該學科領域發展進程及當前研究現狀，預測未來研究熱點和趨勢［8-9］。本研究基于CiteSpace 6.1.R2軟件，對AI應用于DR的文獻進行文獻計量學分析，以期為相關學者的研究方向提供參考，為未來進一步深入研究提供借鑒。

1 資料與方法

1.1 數據來源與檢索策略 檢索Web of Science（WOS）核心合集數據庫，檢索時間為建庫至2022-11-04。檢索式為：TS=（"diabetic retinopathy"）AND （TS=（"artificial intelligen*" OR "machine intelligen*" OR "machine learn*"OR "deep learn*" OR "transfer learn*" OR "neural learn*"OR "supervised learn*" OR "neural network*" OR "deep network*" OR "neural nets model" OR "convolution" OR"automat*" OR "unsupervised clustering" OR "big data"OR "natural language process*" OR "robot*" OR "thinking computer system" OR "expert*system*" OR "evolutionary computation" OR "hybrid intelligent system*" OR "machine vision" OR "fuzzy logic" OR "random forest" OR "support vector machine" OR "decision-making tree" OR "bayes*network" OR "blockchain" OR "genetic algorithm" OR"K-nearest neighbors"），檢索日期為2022-11-04，語言限定為英文，文獻類型選擇“Article”進行精煉，然后進行人工篩選，剔除綜述、約稿信息、重復文獻及無作者文獻后，最終獲取有效文獻1 770篇。

1.2 研究方法

1.2.1 可視化分析法 運用CiteSpace 6.1.R2軟件，以獲取的AI應用于DR的相關研究文獻作為數據資料，分析2011年1月至2022年11月的發文量趨勢，對納入文獻的發表國家、機構、作者、共被引情況和關鍵詞進行定量分析和知識圖譜繪制，展示其研究框架和基本發展脈絡，探究AI應用于DR的研究現狀，探索該領域研究的熱點與前沿，分析AI應用于DR的未來研究趨勢。

1.2.2 參數設置 導入數據，將時間跨度設置為2011年1月至2022年11月，時間切片設置為1，將每個切片時間選擇Top 50 per slice，修剪方式設定為pathfinder，pruning sliced networks，pruning the merged network。分別以國家（country）、機構（institution）、作者（author）、被引作者（cited author）、被引期刊（cited journal）、被引文獻（cited reference）以及關鍵詞（keyword）為節點類型，依次單擊Go運行軟件生成可視化圖譜。

1.2.3 數據分析及判斷標準 知識圖譜中，節點大小代表節點出現的頻率，節點之間的連線粗細代表其聯系合作關系及其緊密程度［10］。中介中心性是評價節點在可視化知識圖譜中重要性的指標，節點中心性≥0.1即被標注為紫色，表示其為該領域較熱門且較重要的研究［11］。文獻共被引理論是由SMALL和MARSHAKORA在1973年提出的［12-13］，可以被用來確定研究領域的熱點、前沿以及未來趨勢，是可視化分析的主流范式。聚類圖譜中，模塊值Q>0.3表示劃分的聚類結構顯著，平均輪廓值S>0.5表示聚類劃分合理，S>0.7則意味著聚類效果可信［14］。將顯示選項設定為“Burstness”獲得突現詞，突現圖譜中紅色線段部分表示突現詞出現的爆發性年份。

2 結果

2.1 AI應用于DR研究的發文量趨勢分析 發文量趨勢在一定程度上是衡量該領域受關注程度、動態發展趨勢及預測未來發展的信息來源，可以反映該領域的研究水平及發展情況［10］。對AI應用于DR研究的發文量進行分析，發現該領域發文量呈上升趨勢，2011—2017年屬于該領域研究的起步階段，發文量小幅度增加，年發文量均低于100篇/年；2018年發文量首次達到147篇，此后發文量持續增加，2021年達402篇，為發文量最多的年份；2022年截至11月4日發文量為312篇（圖1）。

圖1 2011年1月至2022年11月AI應用于DR研究的年發文量趨勢Figure 1 Number of annual studies regarding artificial intelligence in diabetic retinopathy from January 2011 to November 2022

2.2 AI應用于DR研究的發表國家分析 通過CiteSpace分析得到AI應用于DR研究的國家合作網絡圖譜（圖2），節點數為89，連線數為575，密度為0.146 8。我國是發文量最多的國家，發文量達440篇，占納入文獻總數的24.9%，居世界第1。美國、印度分別以404篇、336篇位列第2、3。中心性最高的國家為英國，達到了0.26，在AI應用于DR領域的研究中處于領先地位，除此之外，美國（0.18）、印度（0.17）、中國（0.13）、沙特阿拉伯（0.12）、加拿大（0.11）也具有高中心性，其節點外周均呈現明顯紫圈。

圖2 AI應用于DR研究的國家合作網絡圖譜Figure 2 Collaboration network map of countries for studies regarding artificial intelligence in diabetic retinopathy

2.3 AI應用于DR研究的發表機構分析 運用CiteSpace繪制AI應用于DR研究領域的機構合作網絡圖譜（圖3），節點數為436，連線數為1 073，密度為0.011 3。全球共有436個機構開展該領域研究，中山大學、新加坡國立大學和新加坡國家眼科中心發文量分別為47、38、34篇，位居世界前3名。該領域內研究機構中心性普遍偏低，首都醫科大學、斯坦福大學、新加坡國立大學是AI應用于DR研究領域中心性排名前3的機構，中心性分別為0.10、0.09、0.08。發文量排名前15的研究機構中，除發文量和中心性排名均靠前的中山大學和首都醫科大學為我國機構，還有上海交通大學（28篇）、中國科學院（25篇）和香港中文大學（23篇）。

圖3 AI應用于DR研究的機構合作網絡圖譜Figure 3 Collaboration network map of institutions for studies regarding artificial intelligence in diabetic retinopathy

2.4 AI應用于DR研究的作者分析 CiteSpace分析得到AI應用于DR研究的作者合作網絡圖譜（圖4）的節點數為601，連線數為2 050，密度為0.011 4。JIA Y L與HWANG T發文量持平，均為21篇，兩者并列第1，為該研究領域產出最高的作者，其后依次是WANG J（20篇）、ABRàMOFF M D（19篇）、WONG T（18篇）、ACHARYA U（17篇）、LAUDE A（16篇）、TING D W（16篇）、LIN H T（15篇）和SIVAPRASAD S（15篇）。發文量15篇及以上的作者共發文178篇，占總發文量的10.1%。由圖4可見，從事AI應用于DR研究的研究者之間的合作聯系較為薄弱且分散。

2.5 AI應用于DR研究作者的共被引分析

2.5.1 作者共被引分析 利用CiteSpace進行作者共被引分析，被引頻次排名前10的作者見表1，被引頻次排名前3位的是荷蘭內梅亨大學的GULSHAN V、美國愛荷華大學的ABRàMOFF M D和新加坡國立大學的TING D W，分別為412、363、285次。另外，通過分析圖4中的作者發文量和表1中的作者被引頻次，發現ABRàMOFF M D和TING D W的發文量排名和被引頻次均排名靠前，表明這兩位作者對AI應用于DR研究領域的發展做出了重要貢獻。值得注意的是，ABRàMOFF M D共被引中心性達到0.17，遠高于其他作者，說明其非常重視文獻質量，在這一領域有很大影響力。

表1 AI應用于DR研究被引頻次排名前10的作者Table 1 The top 10 authors of cited frequency for studies regarding artificial intelligence in diabetic retinopathy

圖4 AI應用于DR研究的作者合作網絡圖譜Figure 4 Collaboration network map of authors for studies regarding artificial intelligence in diabetic retinopathy

2.5.2 AI應用于DR研究發表期刊的共被引分析 采用CiteSpace進行期刊共被引分析，被引頻次排名前10的期刊見表2，其中8家被引學術期刊在期刊引證報告（JCR）分區中均位于Q1區，影響因子（IF）較高，表明AI應用于DR研究領域的文獻質量較高。Ophthalmology被引頻次排名第1，IF為14.28；Invest Ophth Vis Sci被引頻次排名第2，IF為4.93；Ieee T Med Imaging被引頻次排名第3，IF為11.04。Ophthalmology和Invest Ophth Vis Sci是眼科領域內最具影響力的兩大期刊，Ieee T Med Imaging則是計算機科學和跨學科應用領域的期刊。

表2 AI應用于DR研究被引頻次排名前10的發表期刊Table 2 The top 10 journals of cited frequency for studies regarding artificial intelligence in diabetic retinopathy

2.5.3 AI應用于DR研究文獻的共被引分析 運用CiteSpace對納入文獻進行文獻共被引分析，表3展示了共被引頻次排名前10的文獻［15-24］。共被引頻次最高的文獻介紹了一種應用深度學習（DL）自動檢測視網膜眼底圖像中DR和糖尿病黃斑水腫（DME）的算法［15］。共被引頻次排名第2的文獻則聚焦于探索DL系統在多民族糖尿病患者視網膜圖像評估中的識別作用［16］。共被引頻次排名第3的文獻開發并評估了一種數據驅動的新型自動DR檢測診斷工具，通過處理眼底圖像，明確是否患有DR，識別相關病例并進行醫療轉診［17］。可見現有研究對AI在DR篩查和診斷部分的探討較多，主要側重于眼底圖像的AI應用。

表3 AI應用于DR研究共被引頻次排名前10的文獻Table 3 The top 10 most-cited articles for studies regarding artificial intelligence in diabetic retinopathy

2.6 AI應用于DR研究的關鍵詞分析

2.6.1 AI應用于DR研究的關鍵詞共現分析 關鍵詞是對論文主旨的高度概括，共現分析即以關鍵詞為節點，經剪裁形成的由節點和連線構成的共現網絡圖譜［25］。對同類關鍵詞進行合并，如automated detection& automatic detection，risk factor & risk，retinal image &fundus image & retinal fundus image。根據年發文量增速變化趨勢，分2011—2017年、2018—2022年2個階段對DR領域AI應用研究的關鍵詞演變過程進行分析。

2.6.1.1 2011—2017年AI應用于DR研究的關鍵詞共現分析 CiteSpace共現圖譜中的節點數為275，連線數為449，密度為0.011 9（圖5），retinal image（視網膜圖像）成為除檢索詞外出現頻次最高的關鍵詞（148次），關鍵詞中心性排名前3的是macular edema（黃斑水腫）、disease（疾病）和blood vessel（血管），中心性分別為0.30、0.21、0.18。2011—2017年的研究內容主要與運用AI進行DR篩查、診斷、分類相關，具體以automated detection（自動檢測），segmentation（分割），diagnosis（診斷），optical coherence tomography（光學相干斷層成像），classification（分類），system（系統），identification（識別）為中介關鍵詞。

2.6.1.2 2018—2022年AI應用于DR研究的關鍵詞共現分析 CiteSpace共現圖譜中的節點數為414，連線數為591，密度為0.006 9（圖6），此時期關鍵詞數量增加，詞頻升高但共線關系較差。deep learning（深度學習）、validation（驗證）、convolutional neural network（卷積神經網絡）、artificial intelligence（人工智能）、algorithm（算法）、prevalence（患病率）、risk factor（風險因素）出現頻次驟增，特別是deep learning（深度學習）達到268次，表明該期間對DL的研究較多，AI在DR領域的應用以DL為主。同時對比圖5可以看出，研究人員對AI算法性能加深了研究，并開始關注AI在DR風險預測中的作用。

圖5 2011—2017年AI應用于DR研究的關鍵詞共現圖譜Figure 5 Co-occurrence map of keywords for studies regarding artificial intelligence in diabetic retinopathy from 2011 to 2017

圖6 2018—2022年AI應用于DR研究的關鍵詞共現圖譜Figure 6 Co-occurrence map of keywords for studies regarding artificial intelligence in diabetic retinopathy from 2018 to 2022

2.6.2 AI應用于DR研究的關鍵詞聚類分析 基于關鍵詞共現，對關鍵詞進行聚類分析的可視化展示，得到Q=0.795 2，S=0.911 4的AI應用于DR研究的關鍵詞聚類圖譜（圖7）。其中聚類序號越小，代表聚類規模越大，包含的關鍵詞越多［9］。共形成26個聚類標簽，前10位分別是deep learning（深度學習）、optical coherence tomography angiography（光學相干斷層血管造影術）、support vector machine（支持向量機）、retinal fundus images（視網膜眼底圖像）、diabetes mellitus（糖尿病）、image analysis（圖像分析）、disease（疾病）、management（管理）、diabetic macular edema（糖尿病黃斑水腫）和image segmentation（圖像分割）。對聚類圖譜結果進一步分析發現，AI應用于DR領域的研究熱點主要分布于DR病灶分割、通過AI識別眼底圖像對DR進行診斷等方面。

圖7 AI應用于DR研究的關鍵詞聚類圖譜Figure 7 The map of keyword clustering in studies regarding artificial intelligence in diabetic retinopathy

2.6.3 關鍵詞突現分析 關鍵詞突現分析是指從題錄中檢測出現頻次高，增長速度快的關鍵詞，從而了解該領域關注度較高的研究，據此分析研究熱點和前沿，分析發展趨勢［26］。“begin”表示突現開始時間，“end”表示結束時間，“strength”表示關鍵詞的突變強度，強度越高影響力越大。AI應用于DR研究關鍵詞突現圖譜共檢測到20個突現詞，所有關鍵詞第1次出現時間均在2011年，圖譜按關鍵詞突現開始時間排序。對當前領域研究有較大影響的是automated detection（自動檢測，突現強度12）、segmentation（分割，突現強度11.84）、extraction（提取，突現強度9.86），持續時間較長的是red lesion（紅色病變，持續時間：2011—2018年）、automated detection（自動檢測，持續時間：2011—2017年）、segmentation（分割，持續時間：2011—2017年）、retinopathy（視網膜病變，持續時間：2011—2017年）、mathematical morphology（數學形態學，持續時間：2012—2018年）、lesion（病變，持續時間：2012—2018年）。其中，automated detection（自動檢測）一詞突現強度最大，持續時間最長，可知近年來的研究熱點多集中于此（圖8）。

圖8 AI應用于DR研究的關鍵詞突現圖譜Figure 8 The map of keywords with bursts in studies regarding artificial intelligence in diabetic retinopathy

3 討論

3.1 AI應用于DR研究的發文量、發表國家、機構、作者和期刊特點 CiteSpace分析結果顯示，AI應用于DR研究的發文量呈上升態勢，根據發文量趨勢預測，AI應用于DR研究的發文量將會繼續增長。從國家合作網絡圖譜來看，我國是發文量最多的國家，而英國雖然發文量僅居世界第4，但中介中心性最高，具有較大的國際影響力。美國和印度是發文量和中介中心性排名均靠前的國家，是AI應用于DR研究的重要陣地。研究機構合作網絡圖譜分析結果顯示，該領域內研究機構中介中心性普遍偏低，需要提高影響力，機構之間缺乏緊密的合作，此現象在一定程度上限制了該領域的發展，不利于學術研究的開展。發文量排名前15的研究機構中，我國有5家，可以看出，我國在該領域的研究較為廣泛，權威性機構較多。作者合作網絡圖譜分析結果顯示，圖譜整體網絡密度較低，說明作者之間缺乏交流合作，提示今后在深化研究的同時，還應完善不同區域機構及作者之間的合作，增加學術交流機會。作者共被引分析結果顯示，GULSHAN V、ABRàMOFF M和TING D W三位作者對該領域做出了重要貢獻，其學術地位較高。期刊共被引分析結果顯示，Ophthalmology、Invest Ophth Vis Sci、Ieee T Med Imaging發表的AI應用于DR研究文獻的被引頻次較高，在該領域有重要影響力。可以預見，未來將有更多有關AI應用于DR的研究發表在上述期刊。

3.2 AI應用于DR研究的熱點 根據文獻共被引分析、關鍵詞共現與聚類圖譜分析結果歸納可知，AI在DR領域的研究主要圍繞病灶分割以及DR診斷展開。

3.2.1 病灶分割 AI疾病診斷的核心步驟是病灶分割，即建立模型將關鍵病灶從影像中分離出來，提取已分割病灶的關鍵特征，對其進行分析，是后期診斷、治療及療效評估的基礎［27］。DR典型的病理特征包括微動脈瘤、滲出物、血管異常和出血等［28］。

微動脈瘤是DR最早的影像學特征之一，在眼底圖像分析領域引起了學者的廣泛研究興趣［29］。然而，微動脈瘤在眼底圖像中的低對比度特性以及與背景像素相比極低的像素數使其檢測充滿了挑戰。XIA等［30］提出了一個多尺度的分割分類模型，提高了復雜情況下微動脈瘤的檢測精度。LIAO等［31］針對眼底圖像的復雜背景，設計了一種新型的微動脈瘤深度卷積編碼器-解碼器網絡，可以更精確地定位并檢測微動脈瘤，在保證性能的同時縮短測試時間。在另一項研究中，ZHANG等［32］提出了一種基于特征轉移網絡和局部背景抑制的高效微動脈瘤檢測方法，來衡量背景噪聲與視網膜的差異，從而檢測數據不平衡的微動脈瘤。

另一個用于檢測DR的重要生物標志物是滲出物，滲出物分割是眼底圖像分析中另一個研究較為廣泛的領域。HUANG等［33］提出了一種基于超像素多特征提取和基于patch的深度卷積神經網絡（CNN）的自動滲出物檢測方法。KURILOVá等［34］將支持向量機（SVM）分類器與更快的基于區域的CNN對象檢測器相結合，用于識別和定位眼底圖像中的硬滲出物，在訓練數據缺乏的情況下，使用SVM對樣本進行預掃描，可以同時改進目前的硬滲出物檢測方法并提高檢測速度。MOHAN等［35］提出了一種基于改進KAZE特征的新方法，可以解決滲出物大小和高度不同，視網膜眼底圖像光照不規則及對比度差等問題。

視網膜血管分割是DR診斷的關鍵環節，包括血管的各種幾何特征，如分支長度、分支角度、血管直徑等。TIAN等［36］提出了一種基于多路徑CNN的視網膜血管分割方法，能夠有效抑制噪聲，保證血管分割后的連續性。ATLI等［37］介紹了一種全自動血管分割的DL體系結構，克服了圖像中存在的病理影響、噪聲、對比度差等多種困難，具備應用于臨床的潛力。在另外一項報道中，GEGUNDEZ-ARIAS等［38］開發了一項基于U-Net架構由CNN組成的眼底血管分割方法，此方法考慮了每個像素到血管樹的距離，獲得圖像像素及概率圖，最后將該概率圖用一定的閾值二值化，實現血管分割。DR視網膜出血是在血管內的極端壓力積聚導致的視網膜血管破裂形成的，是許多學者診斷DR的另一個研究方向［29］。MAQSOOD等［39］首先利用改進的對比度增強方法對眼底圖像的邊緣細節進行改進，然后用一種新的CNN結構來檢測出血，提取特征，再進行融合，最后篩選出最佳特征。該方法在視覺質量和定量分析精度方面具有優良性能。LAHMIRI等［40］提出了一項三階段混合系統，其過程包括利用CNN進行特征自動提取，對提取的高維特征集進行最佳篩選，最后將其輸入優化的非線性SVM執行分類任務。將其與另外三種常用分類器進行驗證比較，結果顯示該系統優于其他三種參考系統，具有快速、準確的特點。

DR病灶特征識別對患者的早期篩查、診斷、治療和隨訪至關重要，通常情況下，這一過程由訓練有素的專家完成，但這種由臨床醫生手工診斷的情況是繁瑣且容易出錯的，需要消耗大量的時間和人力資源。AI可以解決上述問題，能夠快速進行病灶分割，精準提取DR每個階段的獨特特征，有望為DR提供高效、可擴展、可持續且具有成本效益的新模式［41］。

3.2.2 DR診斷 DR在早期階段往往是無癥狀的，相當多的DR患者因為視力損害就診，而此時的視覺功能通常難以恢復［42］。因此，早期診斷對預防DR引起的視力障礙具有重大意義。眼底圖像是最具成本效益的DR檢查方式，故有關AI基于眼底圖像進行DR診斷的研究較為豐富。LI等［43］使用集成方法開發了一種利用眼底圖像診斷DR的模型，探究輸入圖像大小及數量對模型性能的影響，最終該模型展示了良好的性能，具有較好的泛化性。眼底圖像拍攝時存在各種色差和不相關的光照干擾，降低了診斷分析質量，可能會影響診斷結果，因此，AI技術還面臨處理不同照明條件下捕獲眼底圖像的艱巨任務。KAUSHIK等［44］提出在預處理階段使用圖像去飽和技術處理這些問題，然后在訓練過程中堆疊3個CNN，用于對眼底圖像進行分類以進行DR診斷，最后取得了比現有技術更好的結果。現有的分級方法通常以高分辨率眼底圖像為訓練數據，在臨床低分辨率眼底圖像更為常見的情況下，分級性能將明顯降低。WANG等［45］提出了一種關注低分辨率眼底圖像的網絡，該網絡聯合執行提高圖像分辨率、各種DR病變分割和DR分級的多項任務，每一項任務均采用了基于CNN的方法。在三個數據集中，該網絡展現了優于其他DR分級方法的性能。另外，SHANKAR等［46］建立了一種基于DL的眼底圖像自動檢測DR模型，在過程中首先對眼底圖像進行降噪處理，最終在Messidor DR數據集上對該模型進行驗證，得到了滿意的結果。

隨著研究的不斷深入完善，多個DR診斷系統接連面世，自2018年美國食品和藥物管理局（FDA）批準第一個用于DR診斷的AI系統IDx-DR以來［47］，EyeArt［48］、Retmarker DR［49］也接連獲得批準。另外，深圳硅基智能科技公司開發的基于AI的DR篩查軟件和上海鷹瞳醫療科技公司開發的眼底圖像輔助診斷軟件也于2020年8月被相繼批準［50］，DR的AI診斷逐漸被臨床接受并興起。

3.3 AI應用于DR研究的趨勢 關鍵詞突現分析結果提示，AI應用于DR研究的趨勢是自動檢測，包括對DME的療效預測、DR病程管理以及AI算法性能的提高。

DME的特征是血-視網膜屏障的破壞和黃斑區域的液體積聚［51］，DME的發生是DR患者視力下降甚至喪失的主要原因，是DR的嚴重并發癥。抗血管內皮生長因子（VEGF）被廣泛認為是DME的一線治療藥物，但并非普遍有效， 部分患者對抗VEGF治療的反應效果欠佳甚至無反應。預測患者對抗VEGF治療是否有反應，可以避免不必要的試驗和錯誤的治療策略，促進一線療法的更準確選擇。ALLINGHAM等［52］使用熒光素眼底血管造影的半自動分割來比較抗VEGF治療DME對微動脈瘤相關滲漏和非微動脈瘤相關滲漏的影響是否有差異，結果提示后者可能是VEGF介導的病理標志物，而以前者為主的患者可能對抗VEGF治療的反應效果較差。RASTI等［53］提出了一種基于光學相干斷層掃描（OCT）圖像自動預測患者抗VEGF治療效果的方法，輸入預處理的OCT掃描圖像，就可以輸出視網膜厚度差，然后進行5倍交叉驗證，該方法對反應性和非反應性患者療效預測平均曲線下面積為0.866，平均精度、平均靈敏度和平均特異度分別為85.5%、80.1%和85.0%。可以看出，AI以DR篩查作為切入點，正在改變著DR診療流程的方方面面。

同樣，隨著AI在DR診療中的廣泛應用，其在病程管理方面的潛力作用也逐漸被學者關注。ESTIL等［54］在挪威眼科診所運用的一種DR風險算法，利用患者性別、糖尿病類型、DR嚴重程度、糖尿病持續時間、糖化血紅蛋白和血壓的個人風險概況來評估DR威脅視力的風險并給予基于這些風險因素的個體化篩查間隔建議，該程序的使用減少了診所就診的頻率，節約了時間和醫療資源，可用于高危糖尿病患者的評估。BORA等［55］基于Inception-V3架構開發了兩種類型的DL系統，以預測在初級保健環境中接受過遠程DR篩查糖尿病患者的DR進展情況。該系統有助于延長篩查間隔以降低成本，同時改善視力相關結局。此外，還可利用AI檢測形態學藥物作用引起的DR視網膜變化，XIE等［56］開發了一種通過觀察糖尿病小鼠識別神經節細胞和神經纖維層的變化，從而診斷早期視網膜病變，還可以評估潛在藥物治療效果的AI算法，該研究提出了一種新的定量方法來評估和篩選DR程度和藥物療效。

隨著研究的不斷深入拓展，更多種類的數據信息被添加用以提高AI模型的整體性能。TOROK等［57］研發了一種淚液蛋白質組學和眼底圖像數據聯合AI的DR檢測系統，結果證明二者數據整合后診斷DR的靈敏度和特異度高于單獨使用蛋白質組學和眼底圖像，提示兩種不同類型的數據可以相互補充，獲得更好的診斷性能。DL技術多模態數據組合分析具有顯著優勢，是未來DR領域AI研究的新興趨勢。

眾多研究證明，使用AI系統作為輔助工具應用于DR領域因其高效和快捷的特點而無可替代，潛在價值巨大［58］。從開發和驗證AI模型，到其臨床轉化和運用，再到性能提高及社會經濟價值考量，這些研究標志著AI在DR領域的發展與應用逐步走向成熟。但AI在實踐中仍面臨許多臨床和技術上的挑戰，（1）黑盒問題：AI模型關注的是輸入、輸出數據之間的相關性，但不能定量解釋該模型的推理過程，這種不透明性使AI的應用受到質疑［59］。隨著AI在醫學領域的應用范圍越來越廣泛，黑盒性質已成為研究人員亟待解決的關鍵問題。（2）數據集的質量與數量：AI算法需要精確的測試、訓練、驗證3種數據集的支撐，若數據集不具有代表性或樣本量太小，會導致最后的結果不夠準確。此外，檢查設備、患者配合程度及醫師操作水平等多種因素會影響數據收集，導致統一標準的大數據庫難以建立［60］。（3）倫理問題：AI在醫療活動中不會考慮“患者利益最大化”問題，這將給復雜的醫患關系帶來更嚴峻的挑戰。另外，如何在推動AI發展的同時保障患者的醫療數據隱私安全亦是一個必須解決的難題。另一個需要思考和關注的是AI在眼科診療中的失誤及歸責問題。在將來的研究中，學者們需投入更多的時間與精力，提高算法性能，逐步建立標準的數據質控流程，搭建高質量的標準化數據庫平臺，制訂相關倫理規范。

4 總結與展望

綜上所述，本研究運用CiteSpace軟件對Web of Science數據庫中DR領域AI應用研究的相關文獻進行了全面客觀的分析。結果表明，AI已被廣泛應用于DR領域，并仍在飛速發展中，未來基于AI的DR研究將顯著增加。美國和英國在AI應用于DR研究領域中占據著主導地位，但不可忽視的是，中國在該領域的國際影響力越來越大。無論是作者、機構還是國家，在后續研究中應加強交流合作，整合資源，進一步促進該領域發展。此外，運用AI進行DR病灶分割和DR診斷是目前該領域研究最多的內容。而對DME的療效預測、DR病程管理以及運用多模態模型提高AI算法性能則是未來AI應用于DR研究的趨勢和重點。本研究為DR領域學者提供了一定的參考與借鑒。

作者貢獻：劉春進行文章的構思與設計，研究的實施、結果分析及解釋，文章撰寫及修訂；蹇文淵負責繪制圖表及數據收集與整理；段俊國負責文章的最后修訂、質量控制及審校，對文章整體負責。

本文無利益沖突。