人工智能在阿爾茨海默病臨床診療中的研究熱點及前沿趨勢分析

【摘要】 背景 目前，人工智能應用于阿爾茨海默病（AD）領域的研究論文數量增幅較大，明確該領域最新研究熱點和未來發展趨勢十分重要。目的 通過應用文獻計量學分析，總結人工智能應用于AD領域的相關研究，闡明2004—2023年的研究熱點和未來研究趨勢。方法 在Web of Science核心數據庫中檢索了2004年1月—2023年6月關于人工智能應用于AD領域的文獻。采用Microsoft Office Excel、CiteSpace和VOSviewer軟件對發文量、國家、作者、機構、關鍵詞和共引網絡進行可視化分析。結果 最終納入了3 189篇文獻。自2004年以來有關人工智能應用于AD領域的文獻數量穩步增加，并從2015年起進入快速增長階段，最高突破600篇。共有94個國家、3 930家機構、13 563位作者以及52 019位被引作者參與了此研究。其中，美國和中國在這一領域中處于領先地位；韓國大學發文量位列第一；此外，ZHANG DAOQIANG、LIU MINGXIA、SUK HEUNG-IL和CLIFFFORD R. JACK Jr不僅是高產的作者還是被引次數最多的作者。根據關鍵詞和文獻被引結果的可視化分析，發現AD的診斷與病程分類、預測AD的風險因素是當前的研究熱點，任務分析是未來人工智能應用于AD領域中的研究趨勢。結論 人工智能應用于AD領域已經引起了全球研究者的廣泛關注，AD的診斷與病程分類、預測AD的風險因素是當前的研究熱點，而任務分析中的輔助藥物的研發、個性化治療和護理以及提升人工智能的算法性能可能會成為未來的研究趨勢。

【關鍵詞】 阿爾茨海默病；癡呆；人工智能；CiteSpace；VOSviewer；文獻計量學

【中圖分類號】 R 745.7 【文獻標識碼】 A DOI：10.12114/j.issn.1007-9572.2023.0704

The Hotspots and Frontier Trends of Artificial Intelligence in the Clinical Diagnosis and Treatment of Alzheimer's Disease：Bibliometric Analysis of the Past 20 Years

YU Ruxia1，JIANG Jing1*，WANG Qiucheng1，WANG Yue1，ZHAO Xiaoyue2

1.School of Nursing，Beijing University of Traditional Chinese Medicine，Beijing 100029，China

2.School of Acupuncture-moxibustion and Tuina，Beijing University of Traditional Chinese Medicine，Beijing 100029，China

*Corresponding author：JIANG Jing，Associate professor；E-mail：ngxi7847@126.com

【Abstract】 Background Currently，the number of research papers on the application of artificial intelligence to the field of Alzheimer's disease（AD）has increased significantly. It is important to clarify the latest research hotspots and future development trends in this field. Objective To summarize the relevant research on the application of artificial intelligence to AD through bibliometric analysis，and clarify the research hotspots and trends from 2004 to 2023. Methods Literature on the application of artificial intelligence to AD from January 2004 to June 2023 was searched for in the Web of Science core database，and Microsoft Office Excel，CiteSpace，and VOSviewer software were used to visually analyze the number of publications，countries，authors，institutions，keywords，and co-citation networks of the literature. Results Ultimately 3 189 articles were included. The number of literature on the application of artificial intelligence to AD has steadily increased since 2004 and has grown rapidly since 2015，with a maximum of over 600 articles. A total of 94 countries，3 930 institutions，13 563 authors，and 52 019 cited authors participated in this study. Among them，the United States and China were in a leading position in this field；Republic of Korea universities ranked first in terms of the number of publications；In addition，ZHANG DAOQIANG，LIU MINGXIA，SUK HEUNG-IL，and CLIFFORD R. JACK Jr were not only prolific authors but also the authors with the most citations. The visualization analysis of keywords and literature citations revealed that regarding the application of artificial intelligence to AD，the diagnosis and disease course classification of AD，as well as the prediction of its risk factors，are current research hotspots and that task analysis are future research trends. Conclusion The application of artificial intelligence to AD has attracted widespread attention from researchers worldwide. The diagnosis and classification of AD，as well as the prediction of its risk factors，are current research hotspots. Developing adjunctive drugs in task analysis，personalized treatment and care，and improving the algorithm performance of artificial intelligence may be research trends in the future.

【Key words】 Alzheimer disease；Dementia；Artificial intelligence；CiteSpace；VOSviewer；Bibliometrics

阿爾茨海默病（Alzheimer's disease，AD）是老年人中最常見的癡呆類型，臨床上其特征主要為記憶、語言和其他認知功能的逐漸下降，其病理特征主要為淀粉樣蛋白斑塊、磷酸化tau蛋白纏結和神經退行性病變［1-2］。隨著全球人口老齡化的加劇，預計未來幾年AD的患病率將呈指數級增長，其已成為21世紀影響較大、支出昂貴的疾病之一［3］。不幸的是，由于AD的臨床特征異質性和病理類型的復雜性，尚無有效的治療方法，現有的治療手段只能延緩疾病的進展［4］。因此，早期篩查和治療AD對于預防和控制疾病至關重要。但AD患者的醫學數據具有復雜性和龐大性的特點，使用傳統的計算工具進行數據分析具有較大的挑戰性［5］。近年來，人工智能（artificial intelligence）發展迅速，其已在診斷、預測、病程分類、檢測以及個性化治療護理AD方面取得了重大進步［6-9］，通過高效、精準地分析復雜且龐大的醫學數據，可減輕醫務工作者的負擔。然而，目前關于人工智能應用于AD的相關論文數量急劇增加，研究人員很難明確該領域最新研究熱點和未來發展趨勢。因此，本研究采用文獻計量學方法對2004—2023年人工智能應用于AD領域的研究進行深入剖析，旨在從可視化的角度揭示該領域的研究熱點和發展趨勢，這將為今后的相關研究工作提供新思路和線索。

1 資料與方法

1.1 文獻來源及檢索策略

計算機檢索Web of Science Core Collection（WOSCC）核心合集數據庫，引文索引包括：Science Citation Index Expanded（SCIE），Social Science Citation Index（SSCI），Current Chemical Reactions Expanded（CCR-EXPAND），and Index Chemicus（IC）。檢索時限為2004年1月—2023年6月。文獻納入標準：（1）與AD及人工智能主題相關；（2）文獻的語言為英語；（3）文獻類型為Article或Review。文獻排除標準：（1）與本研究主題、內容不相關文獻；（2）重復發表文獻；（3）作者信息、單位信息未知文獻。初檢獲得11 864篇文獻，3名研究者通過對文章題目、摘要、正文進行篩選后，最終納入3 189篇，包括2 964篇Article（92.94%）和225篇Review Article（7.06%）。檢索詞及檢索策略詳見表1、圖1。

3 1 AND 2

1.2 統計學方法

采用Microsoft Office Excel 2019、CiteSpace（版本 6.2.R6）和VOSviewer（版本 1.6.19）軟件對發文量、國家、作者、機構、關鍵詞和共引網絡進行可視化分析。其中，Microsoft Office Excel 2019軟件用于對年份、機構和作者的頻次進行統計分析；CiteSpace用于關鍵字共現和關鍵詞突現分析；VOSviewer用于國家、機構、作者和文獻共被引網絡分析。

2 研究結果

2.1 年發文量分析

2004—2023年，根據擬合曲線分析，人工智能應用于AD領域的文獻年發文量總體呈增長趨勢（R2=

0.967 9）。根據增長趨勢可將其分為2個階段：2004—2014年屬于緩慢增長階段，年發文量均不足100篇，表明該領域尚處于起步階段；而2015—2023年屬于快速增長階段，年發文量最高時突破了600篇，見圖2。

2.2 國家/地區分析

全球共有94個國家發表了關于人工智能應用于AD領域的研究文章。美國發文量位列全球第一（876篇，占總發文量的27.47%），其次為中國（845篇，26.50%）。這兩個國家的發文量總和超過了全球總發文量的一半。然而，在總被引次數方面，美國（n=33 613）高于中國（n=15 172）。

2.3 機構分析

全球共有3 930家機構參與了人工智能應用于AD領域的研究，但只有4家機構發表論文數量超過了50篇。其中，韓國大學發文量最多（80篇），其次是美國北卡羅來納大學（69篇）和中國科學院（61篇）。在總被引次數方面，美國北卡羅來納大學排名第1（4 954次）、其次是韓國大學（4 833次）和倫敦大學（2 660次）。在合作方面，韓國大學和美國北卡羅來納大學表現出尤為密切的合作關系，而其他高產機構之間的合作還有待于加強，見圖3。

2.4 作者分析

共有13 563位作者為人工智能應用于AD研究做出了貢獻，其中發文量排名前3位的作者是SHEN DINGGANG（72篇）、ZHANG DAOQIANG（32篇）和LIU MINGXIA（30篇），見表2。此外，這些高產作者之間也存在密切的合作關系（圖4），特別是同一集群中的作者之間，如前3位作者之間以及THOMPSON PAUL M、WANG YALIN和YE JIEPING之間形成了較為緊密的合作網絡。

2.5 共被引分析

2.5.1 被引作者分析：總共52 019位被引作者為人工智能應用于AD研究做出了貢獻，有39位作者被引用次數超過200次，其中被引頻次排名前3名的分別是CLIFFFORD R. JACK Jr（1 388次）、PETERSEN RONALD C（808次）和ZHANG DAOQIANG（600次），見表3。結合表2的分析結果，ZHANG DAOQIANG、LIU MINGXIA、SUK HEUNG-IL和CLIFFFORD R. JACK Jr不僅是高產作者，還是被引次數較多的作者。

2.5.2 被引文獻分析：被引文獻是評估當前研究熱點的重要指標，本研究中的所有文章共引用了87 819篇參考文獻，圖5為排名前10的共被引文獻網絡分析圖譜。共被引頻次最多的文獻是由SUK等［10］發表在Neuroimage雜志上的《Hierarchical feature representation and multimodal fusion with deep learning for AD/MCI diagnosis》，該文提出了一種通過深度學習技術從神經成像模式中進行高級潛在和共享特征表示的新方法，以此來提高診斷AD及輕度認知障礙（mild cognitive impairment，MCI）的準確性。被引頻次排名第2的是MORADI等［11］于2015年發表的《Machine learning framework for early MRI-based Alzheimer's conversion prediction in MCI subjects》，作者利用監督學習技術構建了一種基于磁共振成像的新型框架，用于預測MCI到AD的轉換［11］。被引頻次排名第3的是由LIU等［12］發表的《Multimodal neuroimaging feature learning for multiclass diagnosis of Alzheimer's disease》，其設計了一種具有深度學習架構的診斷框架，該框架可以從多個數據模式中提取信息，在AD的數據分類中實現了性能提升。由此可見，人工智能應用于AD領域主要集中在診斷、病程分類以及預測等方面。

2.6 關鍵詞分析

2.6.1 2004—2014年關鍵詞共現分析：關鍵詞共現分析可以反映一個學術領域的研究熱點。本研究根據年發文量總體呈現趨勢，分別對2004—2014年和2015—2023年的關鍵詞進行共現分析。

使用CiteSpace對2004—2014年關鍵詞進行共現圖譜分析，共生成107個節點，279條連線，網絡密度為0.024 2，見圖6。除去與AD近似的詞外，此時期主要以classification（分類）、diagnosis（診斷）、MRI（核磁共振成像）、atrophy（萎縮）、segmentation（分割）、brain（腦）、pattern（圖形）、support vector machine（支持向量機）等為中心關鍵詞，表明此時期關注的重點是利用核磁共振成像、分割技術、腦部圖形和支持向量機分類模型對AD進行病程分類以及診斷AD。

2.6.2 2015—2023年關鍵詞共現分析：使用CiteSpace對2015—2023年關鍵詞進行共現圖譜分析，共生成182個節點，550條連線，網絡密度為0.011 8，見圖7。該時期machine learning（機器學習）、deep learning（深度學習）、prediction（預測）、feature selection（特征選擇）、biomarker（生物標志物）、segmentation（分割）、conversion（轉換）、convolutional neural network（卷積神經網絡）、risk（危險因素）等關鍵詞出現頻次驟增，尤其是機器學習和深度學習出現次數分別高達460次和322次，表明此時期關注的重點轉移到提高算法的性能，以此來輔佐AD的診斷和病程分類，且更加重視預測AD的風險因素。

此外，根據人工智能中所使用的模型及其在AD中發揮的功能，將關鍵詞分為2個類別，見表4。排名前5位的人工智能模型是機器學習、深度學習、卷積神經網絡、神經網絡、支持向量機；排名前5位的功能是分類、診斷、預測風險因素、特征提取及分割圖像。

2.6.3 關鍵詞突現分析：關鍵字突現是指在一段時間內被頻繁引用的關鍵詞，其可以探索某一領域的發展趨勢。應用Citespace提取了前25個最具突破性的關鍵詞（圖8）。早期階段中，關鍵詞segmentation（分割，2007—2017年）和voxel based morphometry（基于體元素的形態測量，2008—2018年）突現持續時間較長，說明其對當前領域研究影響較大。自2016年開始，computer aided diagnosis（計算機輔助診斷）、big data（大數據）及feature representation（特征呈現）等關鍵詞增多，表明對該領域進行探索的文章越來越多，并且研究方法在不斷加深（2016—2023年）。此外，關鍵詞artificial intelligence（人工智能）、deep learning（深度學習）和task analysis（任務分析），一直突現至今。進一步分析后發現，task analysis（任務分析）包含輔助藥物的研發、個性化治療和護理以及提升人工智能的算法性能，其可能成為未來受關注的科研熱點之一。

3 討論

3.1 研究現狀分析

本研究結果顯示，人工智能應用于AD領域的相關文獻數量穩步增加。這一趨勢很可能源于人工智能技術的飛速發展，為預測、診斷和分類疾病等提供了前所未有的可能性［13］。根據擬合曲線的預測，未來將會有更多的國家和研究人員涉足AD的人工智能研究中。根據國家分析結果，美國和中國在此領域的發文量處于領先地位。然而，在被引用頻次上，我國相較于美國還存在一定的差距。因此，我國未來應當更加注重提升學術文獻的質量，推動學術研究的深入發展。在研究機構方面，雖然國內的一些知名院校，如上海交通大學和中國科學院大學，已經發表了多篇高水平的論文，并獲得了一定的學術影響力，但與其他學術機構之間的合作與交流仍然不夠密切。在作者方面，來自中國的SHEN DINGGANG在該領域發表的文章數量最多，總共發表了72篇文章，這一數字遠遠超過了其他作者。他的研究重心是利用人工智能技術結合醫學成像技術，對神經領域的疾病進行精準的診斷和分類。此外，作者共被引分析表明，來自加拿大的CLIFFFORD R. JACK Jr的發文被引用次數高達1 388次，位居第一。這些數據充分彰顯了這兩位作者在這一領域的卓越貢獻和重要地位。然而，國家、機構以及作者的合作網絡圖呈現出較為稀疏的特點，缺乏與國內和國際的廣泛合作。這提示我國未來應當積極引進和培育優秀人才，以加強作者、機構乃至國家間的合作與交流，推動人工智能在AD領域的進一步發展。

3.2 當前研究熱點

基于被引文獻分析以及關鍵詞共現分析，本研究確定了人工智能應用于AD領域的研究熱點，并主要分為2個方面：AD的診斷與病程分類、預測AD的風險因素。

3.2.1 AD的診斷與病程分類：目前，對于AD這類神經退行性疾病的診斷和病程分類，神經影像學是關鍵的工具［14］。然而，利用人腦分析和解釋大量腦成像數據存在一定挑戰［15］。因此，人工智能結合多特征神經影像學數據輔助AD診斷和病程分類逐漸受到了研究者的關注［16-18］。如ZHANG等［19］是早期提出使用機器學習模型診斷AD的研究者之一，其采用線性支持向量機分類器，并結合3種生物標志物，對正常受試者和AD進行分類及診斷，準確率高達93.2%。但是機器模型需要經過特征提取、特征選擇和降維等步驟，這些步驟煩瑣且非常耗時，而深度學習克服了這些障礙［20］。如部分研究者［21］引入了一種基于CNN的深度學習模型，其使用2D腦MRI圖像作為輸入數據，并將該模型的性能與多位AD領域專家醫生進行比較，發現該模型的診斷AD準確性與AD領域專家醫生相一致。值得注意的是，除了根據利用腦部成像診斷AD，最近CHEUNG等［22］還開發了一種新穎的、基于視網膜成像的深度學習模型來診斷和分類AD患者，在測試數據集中，該模型的準確率范圍為79.6%～92.1%，能有效檢測出AD。未來，隨著人工智能和神經影像學的發展，可以期待出現更加準確、高效的診斷和分類工具，以幫助提高AD的診斷和分類準確性。

3.2.2 預測AD的風險因素：AD患者在診斷前發生神經病理學的變化較為隱匿，迫切需要針對高風險因素人群進行早期精準預測。然而，既往傳統的風險預測模型對AD風險進行個性化評估時的錯誤率較高［23］，而結合人工智能預測AD則改善了這一缺陷。如在一項隊列研究中，YOU等［24］開發了一種預測AD多因素的機器學習模型，模型包括年齡、ApoEε4、腿部脂肪百分比和服藥次數等10個新穎的預測因子，運算結果表明該模型能夠精準地預測5年、10年甚至更長時間內發生AD的高風險個體。為了更好地了解與疾病相關的遺傳風險，ZHOU等［25］還利用深度學習開發了一種能有效預測多基因風險的模型。其次，尋找從MCI到AD的轉化預測因子也是一個重要的研究領域［26-27］。LIN等［28］開發了一種人工智能分級方法，可有效融合多模態數據并精準預測3年內MCI到AD的轉換。利用深度學習結合神經影像學數據的方法預測MCI到AD的轉換，準確率也可高達84.2%［29］。與既往研究不同的是，近幾年來部分研究者還通過聲音特征、彩色瞳孔測距測試與人工智能相結合的方法預測了AD發生的風險［30-31］。總之，人工智能的應用在AD風險預測中具有巨大的潛力，其不僅可以提高預測的精準性，還可以通過結合多種數據模態，更全面地了解和評估AD的風險因素。

3.3 未來研究趨勢

基于關鍵詞突現分析，發現人工智能中的任務分析是未來的發展趨勢，具體包括：輔助藥物的研發、個性化治療和護理以及提升人工智能的算法性能。

3.3.1 輔助藥物的研發：在AD這類神經系統疾病藥物研發過程中，會產生海量且復雜的數據，如何有效地整合、關聯和分析這些大規模數據已成為AD藥物研發的核心挑戰［32］。而人工智能技術的興起為深度挖掘有價值的新信息提供了可能性。近年來，已有研究將人工智能技術應用于AD藥物的研發過程，包括靶點識別、虛擬篩選以及藥物再利用預測等關鍵步驟。例如，TSUJI等［33］開發了一個基于深度學習的計算框架，成功地預測了AD的潛在新藥靶點，并鑒定出了可作為新治療靶點的關鍵基因（例如脾臟酪氨酸激酶以及表皮生長因子受體基因等）。此外，DAS等［34］在藥物虛擬篩選過程中，借助全自動人工智能輔助配體篩選工具，成功地從龐大的化合物文庫中篩選出可能抑制tau蛋白聚集的化合物。在AD藥物再利用方面，FANG等［35］提出了一種基于網絡的人工智能方法，通過結合多組學數據和藥物靶點網絡等多元化信息，其成功地挖掘出吡格列酮可能是治療AD的潛在有效藥物。可見，利用人工智能有望推動AD藥物的研發進展。

3.3.2 個性化治療和護理：同樣，隨著人工智能技術的飛速發展，近年來研究者們也開始應用這種先進的技術為AD患者提供個性化治療和護理，并證實了其有效性和可行性［36］。一項研究為癡呆患者設計了一款基于計算機的干預管理系統，該系統通過分析患者的具體需求，可生成個人治療任務清單，以此幫助醫護人員更好地管理和照護癡呆患者，以減輕其癥狀并改善他們的生活質量［37］。此外，還有研究團隊利用人工智能技術研發了數字懷舊療法應用程序，通過分析AD患者的相關信息，能夠生成具有懷舊元素的圖片或視頻，從而刺激患者的記憶［38］。使用該程序能夠有效地減少AD患者的抑郁癥狀，并提高其參與社交互動的積極性。這些研究結果表明，借助人工智能技術有望更好地理解患者的個體差異，從而為每位患者提供個性化治療和護理方案。

3.3.3 提升人工智能的算法性能：隨著算法模型的不斷成熟與發展，人工智能在AD的臨床診療中展現出巨大的潛力。然而，人工智能算法也面臨著許多技術挑戰。其中就包括泛化性能較差，例如，使用機器學習對來自特定醫院的精神分裂癥患者進行分類時，該模型能夠做出精確的預測，但將另一家醫院的樣本進行分類時其泛化性較差［39］。其次，人工智能算法模型通常缺乏透明度，無法直接解釋其預測結果和決策過程［40］，這樣可能會導致研究人員對人工智能系統的不信任。最近，有相關學者指出未來可以通過深度學習結合集成學習或者合并其他類型混合數據類型（例如組學數據）來提高模型性能及透明度問題［29，41］。同時，人工智能算法依賴于大量的數據集進行訓練和學習，但如果這些數據不規范或者樣本量太小，預測結果可能會出現錯誤。因此，提高數據集的樣本量、質量和規范性，是人工智能在臨床應用中需要面對的重要挑戰。總之，研究者在未來的研究中需要提升算法性能，推動算法在AD臨床診療中的應用和發展。

4 研究不足

本研究使用文獻計量學的方法對人工智能應用于AD領域的相關文獻進行了全面的分析。然而，本研究存在局限性，在未來的研究中可加以考慮。首先，本研究只從WOSCC中收集數據，來自其他數據庫的一些有代表性的文獻可能會被忽視。其次，選擇英語作為納入標準，省略了其他語言的文獻。最后，最近發表的高質量文章由于引用頻率低，可能尚未被關注。

5 小結與展望

綜上所述，本研究通過文獻計量學對人工智能應用于AD領域的文獻進行了深入剖析。研究結果揭示了人工智能已廣泛應用于AD領域，當前的研究熱點主要集中在AD的診斷與病程分類、預測AD的風險因素，而輔助AD藥物的研發、個性化治療和護理AD患者以及提升人工智能的算法性能可能會成為未來的研究趨勢。此外，中國和美國在這一領域處于領先地位，這彰顯了兩國的學術影響力。然而，迫切需要增強國家、機構以及作者之間的合作力度，以推動該領域的發展，使得更多的AD患者能夠從中受益。

作者貢獻：余如霞、姜婧提出研究設想及總體研究方案的構建，負責論文的撰寫與修改并對文章負責；王湫澄和王越收集、篩選和整理研究數據，以供研究使用和結果重現；趙小月對圖片格式及文字修訂，整理參考文獻。

本文無利益沖突。

參考文獻

JACK C R Jr，BENNETT D A，BLENNOW K，et al. NIA-AA Research Framework：toward a biological definition of Alzheimer's disease［J］. Alzheimers Dement，2018，14（4）：535-562. DOI：10.1016/j.jalz.2018.02.018.

GUTIéRREZ I L，DELLO RUSSO C，NOVELLINO F，et al. Noradrenaline in Alzheimer's disease：a new potential therapeutic target［J］. Int J Mol Sci，2022，23（11）：6143. DOI：10.3390/ijms23116143.

SCHELTENS P，DE STROOPER B，KIVIPELTO M，et al. Alzheimer's disease［J］. Lancet，2021，397（10284）：1577-1590. DOI：10.1016/S0140-6736（20）32205-4.

LEE G，NHO K，KANG B，et al. Predicting Alzheimer's disease progression using multi-modal deep learning approach［J］. Sci Rep，2019，9（1）：1952. DOI：10.1038/s41598-018-37769-z.

LI Z Y，JIANG X Q，WANG Y Z，et al. Applied machine learning in Alzheimer's disease research：omics，imaging，and clinical data［J］. Emerg Top Life Sci，2021，5（6）：765-777. DOI：10.1042/ETLS20210249.

GAO X R，CHIARIGLIONE M，QIN K，et al. Explainable machine learning aggregates polygenic risk scores and electronic health records for Alzheimer's disease prediction［J］. Sci Rep，2023，13（1）：450. DOI：10.1038/s41598-023-27551-1.

ALGHAMEDY F H，SHAFIQ M，LIU L J，et al. Machine learning-based multimodel computing for medical imaging for classification and detection of alzheimer disease［J］. Comput Intell Neurosci，2022，2022：9211477. DOI：10.1155/2022/9211477.

RAZA N，NASEER A，TAMOOR M，et al. Alzheimer disease classification through transfer learning approach［J］. Diagnostics，2023，13（4）：801. DOI：10.3390/diagnostics13040801.

MOYLE W，ARNAUTOVSKA U，OWNSWORTH T，et al. Potential of telepresence robots to enhance social connectedness in older adults with dementia：an integrative review of feasibility［J］. Int Psychogeriatr，2017，29（12）：1951-1964. DOI：10.1017/S1041610217001776.

SUK H I，LEE S W，SHEN D G，et al. Hierarchical feature representation and multimodal fusion with deep learning for AD/MCI diagnosis［J］. NeuroImage，2014，101：569-582. DOI：10.1016/j.neuroimage.2014.06.077.

MORADI E，PEPE A，GASER C，et al. Machine learning framework for early MRI-based Alzheimer's conversion prediction in MCI subjects［J］. Neuroimage，2015，104：398-412. DOI：10.1016/j.neuroimage.2014.10.002.

LIU S Q，LIU S D，CAI W D，et al. Multimodal neuroimaging feature learning for multiclass diagnosis of Alzheimer's disease［J］. IEEE Trans Biomed Eng，2015，62（4）：1132-1140. DOI：10.1109/TBME.2014.2372011.

KUMAR Y，KOUL A，SINGLA R，et al. Artificial intelligence in disease diagnosis：a systematic literature review，synthesizing framework and future research agenda［J］. J Ambient Intell Humaniz Comput，2023，14（7）：8459-8486. DOI：10.1007/s12652-021-03612-z.

MáRQUEZ F，YASSA M A. Neuroimaging biomarkers for Alzheimer's disease［J］. Mol Neurodegener，2019，14（1）：21. DOI：10.1186/s13024-019-0325-5.

CARRILLO M C，ROWE C C，SZOEKE C，et al. Research and standardization in Alzheimer's trials：reaching international consensus［J］. Alzheimers Dement，2013，9（2）：160-168. DOI：10.1016/j.jalz.2012.10.006.

NGUYEN D T，RYU S，QURESHI M N I，et al. Hybrid multivariate pattern analysis combined with extreme learning machine for Alzheimer's dementia diagnosis using multi-measure rs-fMRI spatial patterns［J］. PLoS One，2019，14（2）：e0212582. DOI：10.1371/journal.pone.0212582.

ETMINANI K，SOLIMAN A，DAVIDSSON A，et al. A 3D deep learning model to predict the diagnosis of dementia with Lewy bodies，Alzheimer's disease，and mild cognitive impairment using brain 18F-FDG PET［J］. Eur J Nucl Med Mol Imaging，2022，49（2）：563-584. DOI：10.1007/s00259-021-05483-0.

ZHU W Y，SUN L，HUANG J S，et al. Dual attention multi-instance deep learning for Alzheimer's disease diagnosis with structural MRI［J］. IEEE Trans Med Imaging，2021，40（9）：2354-2366. DOI：10.1109/TMI.2021.3077079.

ZHANG D Q，WANG Y P，ZHOU L P，et al. Multimodal classification of Alzheimer's disease and mild cognitive impairment［J］. NeuroImage，2011，55（3）：856-867. DOI：10.1016/j.neuroimage.2011.01.008.

SALEEM T J，ZAHRA S R，WU F，et al. Deep learning-based diagnosis of Alzheimer's disease［J］. J Pers Med，2022，12（5）：815. DOI：10.3390/jpm12050815.

KIM J S，HAN J W，BAE J B，et al. Deep learning-based diagnosis of Alzheimer's disease using brain magnetic resonance images：an empirical study［J］. Sci Rep，2022，12（1）：18007. DOI：10.1038/s41598-022-22917-3.

CHEUNG C Y，RAN A R，WANG S J，et al. A deep learning model for detection of Alzheimer's disease based on retinal photographs：a retrospective，multicentre case-control study［J］. Lancet Digit Health，2022，4（11）：e806-815. DOI：10.1016/S2589-7500（22）00169-8.

KIVIM?KI M，LIVINGSTON G，SINGH-MANOUX A，et al. Estimating dementia risk using multifactorial prediction models［J］. JAMA Netw Open，2023，6（6）：e2318132. DOI：10.1001/jamanetworkopen.2023.18132.

YOU J，ZHANG Y R，WANG H F，et al. Development of a novel dementia risk prediction model in the general population：a large，longitudinal，population-based machine-learning study［J］. EClinicalMedicine，2022，53：101665. DOI：10.1016/j.eclinm.2022.101665.

ZHOU X P，CHEN Y，IP F C F，et al. Deep learning-based polygenic risk analysis for Alzheimer's disease prediction［J］. Commun Med，2023，3（1）：49. DOI：10.1038/s43856-023-00269-x.

YAGI T，KANEKIYO M，ITO J，et al. Identification of prognostic factors to predict cognitive decline of patients with early Alzheimer's disease in the Japanese Alzheimer's Disease Neuroimaging Initiative study［J］. Alzheimers Dement，2019，5：364-373. DOI：10.1016/j.trci.2019.06.004.

PETERSEN R C. Mild cognitive impairment as a diagnostic entity［J］. J Intern Med，2004，256（3）：183-194. DOI：10.1111/j.1365-2796.2004.01388.x.

LIN W M，GAO Q Q，YUAN J N，et al. Predicting Alzheimer's disease conversion from mild cognitive impairment using an extreme learning machine-based grading method with multimodal data［J］. Front Aging Neurosci，2020，12：77. DOI：10.3389/fnagi.2020.00077.

JO T，NHO K，SAYKIN A J. Deep learning in Alzheimer's disease：diagnostic classification and prognostic prediction using neuroimaging data［J］. Front Aging Neurosci，2019，11：220. DOI：10.3389/fnagi.2019.00220.

LUSTIG-BARZELAY Y，SHER I，SHARVIT-GINON I，et al.

Machine learning for comprehensive prediction of high risk for Alzheimer's disease based on chromatic pupilloperimetry［J］. Sci Rep，2022，12（1）：9945. DOI：10.1038/s41598-022-13999-0.

SHIMODA A，LI Y，HAYASHI H，et al. Dementia risks identified by vocal features via telephone conversations：a novel machine learning prediction model［J］. PLoS One，2021，16（7）：e0253988. DOI：10.1371/journal.pone.0253988.

VATANSEVER S，SCHLESSINGER A，WACKER D，et al. Artificial intelligence and machine learning-aided drug discovery in central nervous system diseases：state-of-the-arts and future directions［J］. Med Res Rev，2021，41（3）：1427-1473. DOI：10.1002/med.21764.

TSUJI S，HASE T，YACHIE-KINOSHITA A，et al. Artificial intelligence-based computational framework for drug-target prioritization and inference of novel repositionable drugs for Alzheimer's disease［J］. Alzheimers Res Ther，2021，13（1）：92. DOI：10.1186/s13195-021-00826-3.

DAS B，MATHEW A T，BAIDYA A T K，et al. Artificial intelligence assisted identification of potential tau aggregation inhibitors：ligand- and structure-based virtual screening，in silico ADME，and molecular dynamics study［J］. Mol Divers，2023. DOI：10.1007/s11030-023-10645-3.

FANG J S，ZHANG P Y，WANG Q，et al. Artificial intelligence framework identifies candidate targets for drug repurposing in Alzheimer's disease［J］. Alzheimers Res Ther，2022，14（1）：7. DOI：10.1186/s13195-021-00951-z.

SHU S，WOO B K. Use of technology and social media in dementia care：current and future directions［J］. World J Psychiatry，2021，11（4）：109-123. DOI：10.5498/wjp.v11.i4.109.

THYRIAN J R，HERTEL J，WUCHERER D，et al. Effectiveness and safety of dementia care management in primary care：a randomized clinical trial［J］. JAMA Psychiatry，2017，74（10）：996-1004. DOI：10.1001/jamapsychiatry.2017.2124.

MOON S，PARK K. The effect of digital reminiscence therapy on people with dementia：a pilot randomized controlled trial［J］. BMC Geriatr，2020，20（1）：166. DOI：10.1186/s12877-020-01563-2.

CAI X L，XIE D J，MADSEN K H，et al. Generalizability of machine learning for classification of schizophrenia based on resting-state functional MRI data［J］. Hum Brain Mapp，2020，41（1）：172-184. DOI：10.1002/hbm.24797.

LI Q，YANG M Q. Comparison of machine learning approaches for enhancing Alzheimer's disease classification［J］. PeerJ，2021，9：e10549. DOI：10.7717/peerj.10549.

AN N，DING H T，YANG J Y，et al. Deep ensemble learning for Alzheimer's disease classification［J］. J Biomed Inform，2020，105：103411. DOI：10.1016/j.jbi.2020.103411.

（本文編輯：毛亞敏）

*通信作者：姜婧，副教授；E-mail：ngxi7847@126.com

基金項目：國家自然科學基金面上項目（82174515）；2023年北京中醫藥大學研究生自主科研課題（ZJKT2023070）

引用本文：余如霞，姜婧，王湫澄，等. 人工智能在阿爾茨海默病臨床診療中的研究熱點及前沿趨勢分析［J］. 中國全科醫學，2024，

27（26）：3218-3226. DOI：10.12114/j.issn.1007-9572.2023.0704. ［www.chinagp.net］

YU R X，JIANG J，WANG Q C，et al. The hotspots and frontier trends of artificial intelligence in the clinical diagnosis and treatment of Alzheimer's disease：bibliometric analysis of the past 20 years［J］. Chinese General Practice，2024，27（26）：3218-3226.

? Editorial Office of Chinese General Practice. This is an open access article under the CC BY-NC-ND 4.0 license.