基于文獻計量學的人工智能在中醫(yī)藥領域中的研究熱點及發(fā)展趨勢分析

中圖分類號：R2-03；TP18 文獻標識碼：A文章編號：1006-1959（2025）13-0001-06

Abstract：Oeieivestigateesachosdeveloptdfrtfalintellgceihfoftradioal medicine.MetodsRelevantiteraturesublisedfroJauayOtoarch24eretrieedfroteWebofencecoeletio database，andvisualaalysisasperfodusingExcel2O6ndSvieersultsAotalof46iteratureserinallicdeddte numberfliteraturesasreasigyearbear.eseacataainlyocetratedininateUnitedStatesnderoutito 10researchinstutiositheargestmerofiteatureeeainlyiversindteoststensecdeofdical Sciences（2iteratures）estidliteratures“DeRsialLeagfoaeRecogiio4is）eeseachosotsd trendsithiseldfdoseaseisdictioodelsinalplanssfatiodaggetatiotq.ouo integrationofialielgeeooddiioalesdieiteingaeoevelontch supporting role in disease prevention and diagnosis.

KeyWords：Artificial inteligence;Traditional Chinese medicine;Bibliometrics;Hotspots;VOSviewer

中醫(yī)藥是中華民族千年來的實踐經(jīng)驗和總結(jié)，在治療和預防多種疾病方面具有巨大潛力，并且逐漸受到全世界的關(guān)注。但由于中藥的復雜作用機制，中醫(yī)藥事業(yè)的發(fā)展始終處于相對保守的階段。隨著人工智能（artificialintelligence，AI）技術(shù)的不斷發(fā)展，許多學者開始將人工智能與中醫(yī)藥結(jié)合展開研究，無論是在疾病診斷、遠程診療和教學方面都發(fā)生了巨大變化。人工智能是能夠?qū)崿F(xiàn)模擬、擴展、延伸智能化理論方法和技術(shù)的一門科學3。2018年，國家中醫(yī)藥管理局印發(fā)《關(guān)于加強中醫(yī)藥健康服務科技創(chuàng)新的指導意見》，明確表示要促進中醫(yī)藥健康服務領域科技創(chuàng)新，提升智能化水平，充分利用大數(shù)據(jù)、物聯(lián)網(wǎng)以及人工智能技術(shù)4，此《意見》的發(fā)布極大促進了人工智能技術(shù)與中醫(yī)藥領域融合創(chuàng)新。

2022年8月，國務院辦公廳印發(fā)關(guān)于“十四五”中醫(yī)藥發(fā)展規(guī)劃的通知5，要求強化中醫(yī)藥發(fā)展支撐體系，提升中醫(yī)藥信息化水平，鼓勵開發(fā)具有中醫(yī)藥特色的信息系統(tǒng)研發(fā)應用，政府的支持加快了人工智能技術(shù)與中醫(yī)藥有機結(jié)合的步伐，為我國中醫(yī)藥事業(yè)帶來了前所未有的機遇和發(fā)展。本研究通過Excel2016和文獻計量軟件VOSviewer對相關(guān)領域文獻進行可視化分析，以探究該領域的研究現(xiàn)狀、熱點與發(fā)展趨勢。

1資料與方法

1.1數(shù)據(jù)來源與檢索策略選取WebofScience核心合集為數(shù)據(jù)源，為確保檢索數(shù)據(jù)全面且準確，索引選擇科學引文索引擴展板和社會科學引文索引，引文策略為 TS= （\"artificial intelligence\" OR \"machinelearning\"OR \"deep learning\"）AND TS Σ=Σ （\"Chinesemedicine\"OR\"traditional medicine\"OR\"Chinesetraditionalmedicine\"OR\"Chinesetraditionalmedicineprevention\"OR\"Chinesetraditionalmedicinetreatment\"）檢索時間為2007年1月-2024年3月27日，排除重復發(fā)表的文獻和綜述，以全紀錄與參考文獻選項和純文本格式導出。

1.2方法本研究使用了VOSviewer軟件進行文獻可視化分析。在WebofScience核心合集檢索到479篇文獻以Refworks格式導出，download.txt格式命名文件。將這些文獻數(shù)據(jù)導人VOSviewer1.6.20軟件中，并使用NoteExpress軟件整理，對文獻的發(fā)文量、研究機構(gòu)、期刊、國家/地區(qū)、關(guān)鍵詞等數(shù)據(jù)進行分析，并對文獻進行了關(guān)聯(lián)網(wǎng)絡圖、共現(xiàn)網(wǎng)絡圖和共線標簽圖的生成和可視化處理

2結(jié)果

2.1年發(fā)文量分析共檢索出479篇相關(guān)領域文獻，剔除重復、不相關(guān)等不符合標準的文獻，最終獲得有效文獻416篇。分別來自34個國家/地區(qū)200個研究機構(gòu)的1172位作者，發(fā)表在202種期刊上，被引用達18022次。自建庫以來至2007年1月前，未檢索到相關(guān)領域的文章發(fā)表。從2007年開始，有關(guān)人工智能與中醫(yī)藥防治融合研究的文章陸續(xù)發(fā)表。2007-2017年共累計發(fā)表文章30篇，平均3篇/年，年平均增速為 11.60% ，增速緩慢。自2018年起，發(fā)文量呈快速增長趨勢，到2022年到達峰值，為107篇。文獻數(shù)量年分布見圖1。

2.2研究機構(gòu)、期刊發(fā)文量分析在全球200個研究機構(gòu)中，發(fā)文量排名前10位的均來自中國，以高校為主，見表2。其中中國中醫(yī)科學院（30篇）和上海中醫(yī)藥大學（30篇）位居第1位，中醫(yī)藥大學（28篇）和廣州中醫(yī)藥大學（21篇）分別排在第2位和第3位，中國目前是研究人工智能應用于中醫(yī)藥領域的主力軍，而高校則作為重點輸出單位成果顯著，見表1。

發(fā)文量最高的期刊為IEEEACCESS（21篇），其次是EVIDENCE-BASEDCOMPLEMENTARYANDALTERNATIVEMEDICINE（19篇）和FRONTPHARMACOL（11篇）。發(fā)文量排在前10位的期刊2022年影響因子大多在3分以上，中科院期刊分區(qū)以2區(qū)（45篇）和3區(qū)（44篇）為主，相關(guān)研究學術(shù)水平較高，見表2。

2.3國家/地區(qū)合作網(wǎng)絡標簽視圖能夠描述相關(guān)領域隨著時間發(fā)展的研究趨勢變化，顏色越深表示出現(xiàn)時間較早，隨著時間的前進逐漸變淺。由圖2可知，當前中國對人工智能應用于中醫(yī)藥防治領域的研究最為豐富，其次是美國、英格蘭和印度。隨著時間的推進，越來越多外國學者開始探究人工智能與中醫(yī)藥的深度融合，其中泰國、孟加拉國、新西蘭、波蘭、哥倫比亞等國家均對人工智能應用于中醫(yī)藥領域進行了實驗探究。通過標簽視圖顯示，在新興國家涉及國家間合作，各國均與中國合作較少，聯(lián)系相對不密切。

2.4關(guān)鍵詞共現(xiàn)分析關(guān)鍵詞出現(xiàn)頻次與相關(guān)研究領域內(nèi)研究趨勢成正比，根據(jù)共現(xiàn)圖節(jié)點大小、頻次和聚類分布對人工智能在中醫(yī)藥防治領域研究熱點進行分析。共提取關(guān)鍵詞1892個，關(guān)鍵詞出現(xiàn)頻次閾值設定為3，最終生成共現(xiàn)圖見圖3。2007-2024年人工智能與中醫(yī)藥領域融合研究熱點集中在：疾病風險預測模型、藥用植物分類、圖像分割技術(shù)。

標簽視圖能夠描述相關(guān)領域隨著時間發(fā)展的研究趨勢變化，深色表示關(guān)鍵詞出現(xiàn)時間較早，隨著時間的推進，關(guān)鍵字逐漸變淺。集成學習應用于中醫(yī)藥領域、舌診都將是相關(guān)領域目前和未來的研究熱點，還包括針灸、生存狀況、網(wǎng)絡藥理、高光譜成效等關(guān)鍵詞，見圖4。

3討論

以WebofScience核心合集引文數(shù)據(jù)庫為源，對檢索出有效的2007年-2024年3月416篇文獻進行統(tǒng)計分析，結(jié)果顯示發(fā)文量呈逐年增長態(tài)勢，從2007年的2篇增長到2023年的101篇，2024年前3個月累計發(fā)文量21篇；從發(fā)文量來看，2017年以前發(fā)文量增速緩慢，平均每年發(fā)文3篇，2017年之后發(fā)文量快速增長，2022年達到峰值，為107篇，2023年次高，為101篇，2022年和2023年發(fā)文量占總發(fā)文量的 50.0% ，表明當前社會對人工智能與中醫(yī)藥融合研究的關(guān)注度顯著增高。發(fā)文量以中國研究機構(gòu)為主，高校占比較高，發(fā)文量居前列的均為2區(qū)、3區(qū)期刊，相關(guān)研究學術(shù)水平較高。

根據(jù)研究機構(gòu)和期刊的發(fā)文量來看，我國始終是該領域的主要研究國家，這是因為我國是一個擁有悠久中醫(yī)藥文化歷史和強大人工智能研究實力的國家，同時在人工智能領域也一直處于領先地位。經(jīng)過幾千年的沉淀已經(jīng)積累了豐富的中藥資源和傳統(tǒng)醫(yī)療經(jīng)驗，這為中醫(yī)藥現(xiàn)代化和智能化的研究提供了重要基礎7。同時，政府的政策支持和資金投入也為該領域的發(fā)展提供了有力支持。隨著時間發(fā)展，越來越多的國家開展有關(guān)人工智能技術(shù)與中醫(yī)藥領域融合創(chuàng)新的研究，值得注意的是，各國與我國在學術(shù)討論上聯(lián)系不夠密切，意味著需加強國際合作，促進知識共享與技術(shù)交流，推動該領域的國際化進程。

關(guān)鍵詞共現(xiàn)分析結(jié)果表明，疾病風險預測模型、藥用植物分類和圖像分割等研究在當前領域備受關(guān)注，也預示著未來的研究趨勢。疾病風險預測模型是結(jié)合臨床數(shù)據(jù)和人工智能技術(shù)的重要研究方向，旨在早期識別潛在疾病風險和危險因素，逐步實現(xiàn)從治療為主到預防為主的診療模式的轉(zhuǎn)變。例如，LiuD等8通過構(gòu)建基于中醫(yī)癥候的骨質(zhì)疏松癥風險預測模型，成功評價了骨質(zhì)疏松癥的危險因素，為早期預測提供了循證醫(yī)學證據(jù)。另外，LiuJL等基于深度學習方法構(gòu)建的血脂異常分類預測模型，實現(xiàn)了中醫(yī)證候診斷向人工智能預測和分類的轉(zhuǎn)化，從而提升了中醫(yī)診斷的規(guī)范性和客觀性，而JiangA等[提出的基于機器學習的多特征中西醫(yī)結(jié)合預測模型，則成功實現(xiàn)了對糖尿病周圍神經(jīng)病變高危人群的早期識別，為疾病的提前干預和智能管理提供了信息支持。

在藥用植物分類方面，自動化植物分類的研究主要關(guān)注于疾病監(jiān)測和物種識別。研究者們利用人工智能系統(tǒng)深入探討藥用植物的自動分類，促進了藥用植物物種的準確識別和其治療潛力的提升。例如，SriprateepK等[和UddinAH等[的研究建立了植物分類模型，有效提高了制藥業(yè)和化妝品行業(yè)植物分類的準確性和效率。另外，通過計算機視覺和深度神經(jīng)網(wǎng)絡，AzadniaR等[3成功實現(xiàn)了對藥用植物和有毒植物的自動分類，降低了人類中毒和死亡風險，徹底改變了傳統(tǒng)的識別方法。

語義分割技術(shù)在舌診的圖像分割任務中獲得了廣泛應用，特別是深度學習方法逐漸替代傳統(tǒng)的視覺線索依賴方法[14]。BadrinarayananV等[15]和NingJF等的研究表明，實用性深度全卷積神經(jīng)網(wǎng)絡架構(gòu)可以實現(xiàn)醫(yī)療和信息學領域的自動圖像分割。同時， XuH 等[提出了一種識別舌下靜脈微小分支的分割方法，通過全卷積網(wǎng)絡有效減少了醫(yī)學圖像信息損失，實現(xiàn)了精準分割。人工智能技術(shù)與中醫(yī)診斷技術(shù)的融合發(fā)展將促進舌診的自動化診斷，提高了檢測和分析人體健康狀況的精準度[18-20]

綜上所述，中醫(yī)藥與人工智能的結(jié)合為疾病預防、診斷和中醫(yī)藥文化發(fā)展帶來了新的機遇與挑戰(zhàn)。隨著人工智能技術(shù)的不斷進步，中醫(yī)藥領域?qū)⒂瓉砀嗟膭?chuàng)新和合作，不斷推動中醫(yī)藥理論與實踐的發(fā)展。期待在未來的合作中，中醫(yī)藥與人工智能能夠取得更多突破，為人類健康事業(yè)做出更大的貢獻。

參考文獻：

[1]Zhou E，Shen Q，Hou Y.Integrating artificial intelligence into themodernization of traditional Chinese medicine industry：a review[J].FrontPharmacol，2024，15：1181183.

[2]Duan YY，Liu PR，Huo TT，etal.Application andDevelopmentofIntelligent Medicinein Traditional ChineseMedicine [].CurrMed Sci，2021，41（6）：1116-1122.

[3]林靜怡，李詩翩，郭義，等.人工智能助力中醫(yī)藥發(fā)展現(xiàn)狀、問 題及建議[J].世界中醫(yī)藥，2022，17（6）：864-867.

[4]國家中醫(yī)藥管理局科技部.國家中醫(yī)藥管理局科技部關(guān) 于印發(fā)《關(guān)于加強中醫(yī)藥健康服務科技創(chuàng)新的指導意見》（國 中醫(yī)藥科技發(fā)[2018]10號）[EB/OL].（2018-07-19）[2024- 03-27].https：//www.gov.cn/zhengce/zhengceku/2018-12/31/ content_5429164.htm.

[5]國務院辦公廳.國務院辦公廳關(guān)于印發(fā)“十四五”中醫(yī)藥發(fā) 展規(guī)劃的通知（國辦發(fā)[2022]5號）[EB/OL].（2022-03-29） [2024-03-24].https：//www.gov.cn/zhengce/content/2022-03/ 29/content_5682255.htm.

[6]LiW，GeX，LiuS，etal.Opportunitiesandchallengesoftraditional Chinese medicine doctors in the era of artificial intelligence[J].Front Med （Lausanne），2024，1O：1336175.

[7]趙宇平，李楠，閆朋宣，等.中醫(yī)藥人工智能現(xiàn)狀研究及發(fā)展 思考J].中國中西醫(yī)結(jié)合雜志，2020，40（6）：746-749.

[8]Liu D，Hu Z，Tang Z，et al.Early risk assessment and prediction model for osteoporosis based on traditional Chinese medicine syndromes[J].Heliyon，2023，9（11）：e21501.

[9]Liu J，Dan W，Liu X，etal.Developmentand validation of predictive model based on deep learning method for clasification of dyslipidemia in Chinese medicine].Health InfSci Syst，2O2，11（1）：21. [1O]Jiang A，LiJ，WangL，et al.Multi-feature，Chinese-Western medicine -integrated prediction model for diabetic peripheral neuropathy based on machine learning and SHAP[J].Diabetes Metab Res Rev，2024，40（4）：e3801.

[11]Sriprateep K，Khonjun S，Golinska -Dawson P，et al.Automated Classification of Agricultural Species through Parallel Artificial Multiple Intelligence System-Ensemble Deep Learning[].Mathematics，2024，12（2）：351.

[12]Uddin AH，Chen YL，Borkatullah B，et al.Deep-LearningBased Clasification of Bangladeshi Medicinal Plants Using Neural Ensemble Models[J].Mathematics，2023，11（16）：504.

[13]AzadniaR，Noei-KhodabadiF，Moloudzadeh A，etal.Medicinal and poisonous plants classification from visual characteristics of leaves using computer vision and deep neural networks [J].Ecological Informatics，2024，82（2）：10683.

[14]Szegedy C，Liu W，Jia YQ，et al.Going deeper with convolutions[J].2O15 IEEE Conference on Computer Vision and Pattern Recognition （CVPR），2015：1-9.

[15]Badrinarayanan V，Kendall A，Cipolla R.SegNet：A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation [].IEEE Trans Patern Anal Mach Intell201739（12）： 2481-2495.

[16]Ning JF，David Z，Wu CK，et al.Automatic tongue image segmentation based on gradient vector flow and region merging [J].Neural Computing and Applications，2010（21）：1819-1826.

[17]Xu H，Chen X，Qian P，et al.A two-stage segmentation of sublingual veins based on compact fully convolutional networks for Traditional Chinese Medicine images].Health Inf Sci Syst， 2023，11（1）：19.

[18]Tang WJ，Gao Y，Liu L，et al.An Automatic Recognition of Tooth- Marked Tongue Based on Tongue Region Detection and Tongue Landmark Detection via Deep Learning DJ.IEEE Access，2020（99）：153470-153478.

[19]Pang B，Zhang D，Li N，et al.Computerized tongue diagnosis based on Bayesian networks[J].IEEE Trans Biomed Eng，2004，51 （10）：1803-1810.

[20]Zhou CG，F(xiàn)an HY，Li ZY.TongueNet： Accurate Localization and Segmentation for Tongue Images using Deep Neural Networks[J].IEEE Access，2019（7）：148779-148789.

收稿日期：2024-07-10：修回日期：2024-10-17

編輯/肖婷婷