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(yī)學(xué)院附屬紅旗醫(yī)院骨外二科，黑龍江牡丹江 157011；2.哈爾濱師范大學(xué)教育科學(xué)學(xué)院，黑龍江哈爾濱 150025；3.牡丹江醫(yī)學(xué)院影像學(xué)院，黑龍江牡丹江 157011

骨科疾病包括創(chuàng)傷骨折、骨骼退行性疾病、骨腫瘤及骨質(zhì)疏松等代謝性疾病[1]。目前，在臨床骨科中常見的醫(yī)療事故發(fā)生原因部分可歸結(jié)為醫(yī)師自身經(jīng)驗不足而導(dǎo)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(yī)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(shù)科學(xué)，通過先進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)技術(shù)來對大數(shù)據(jù)進(jìn)行學(xué)習(xí)，是引領(lǐng)未來的戰(zhàn)略性技術(shù)[3]。AI 結(jié)合骨科領(lǐng)域的智能化醫(yī)療對提高醫(yī)師工作效率、加快患者康復(fù)進(jìn)度、降低醫(yī)療風(fēng)險具有重要意義[4]。CiteSpace 軟件是由陳超美博士開發(fā)的可視化分析軟件，優(yōu)勢在于收集整理大量文獻(xiàn)信息，通過不同類型的視圖分析來獲取某學(xué)科的知識基礎(chǔ)、研究熱點及發(fā)展趨勢[5]。本研究分析近20 年AI 應(yīng)用于骨科領(lǐng)域的相關(guān)文獻(xiàn)，通過繪制知識圖譜來探討該領(lǐng)域國內(nèi)外發(fā)展現(xiàn)況、研究熱點及趨勢。目前尚少見應(yīng)用文獻(xiàn)計量學(xué)研究系統(tǒng)對該領(lǐng)域進(jìn)行分析和概述。

1 資料和方法

1.1 數(shù)據(jù)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(xué)習(xí)）and（骨科or 骨折or 關(guān)節(jié)置換or 腰椎or 胸椎or 骨質(zhì)疏松or 骨腫瘤or 骨關(guān)節(jié)炎o(hù)r 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(biāo)準(zhǔn)：摘要內(nèi)容符合AI 結(jié)合骨科領(lǐng)域的主題。排除標(biāo)準(zhǔn)：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(xiàn)以RefWorks 格式，Web of Science 所得外文文獻(xiàn)以純文本形式導(dǎo)出，命名為download*.txt。導(dǎo)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(rèn)選擇。②年發(fā)文量以折線圖形式展現(xiàn)。③納入文獻(xiàn)按照作者、機構(gòu)、國家、關(guān)鍵詞進(jìn)行分析。

1.3 指標(biāo)解讀

頻次代表出現(xiàn)次數(shù)，高頻次節(jié)點代表研究熱點；中心性代表所在領(lǐng)域的重要性；突現(xiàn)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(jié)果

CNKI 篩選后納入研究448 篇，Web of Science 數(shù)據(jù)庫納入研究1 244 篇。

2.1 發(fā)文量分析

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

圖1 國內(nèi)外年發(fā)文量

2.2 作者合作網(wǎng)絡(luò)分析

以作者為節(jié)點分析，根據(jù)圖譜數(shù)據(jù)統(tǒng)計發(fā)文量前5 的作者，見表1。國內(nèi)發(fā)文量最突出的作者為劉星宇，國外發(fā)文量最高的作者為Karnuta JM。學(xué)者在該領(lǐng)域的研究可概括出兩種團(tuán)隊模式：緊密型和松散型。緊密型中學(xué)者較多且交流密切，松散型多是幾位學(xué)者共同參與同一研究，國內(nèi)外作者在該研究領(lǐng)域以緊密型團(tuán)隊模式為主。見圖2～3。

表1 國內(nèi)外發(fā)文量前5 的學(xué)者

圖2 國內(nèi)學(xué)者共現(xiàn)圖譜

圖3 國外學(xué)者共現(xiàn)圖譜

2.3 機構(gòu)地區(qū)共現(xiàn)分析

從研究機構(gòu)的地區(qū)分布來看，國內(nèi)發(fā)文量前3 的機構(gòu)均來自北京，國外在該領(lǐng)域發(fā)文量排名前3 均來自美國。北京各機構(gòu)之間在該領(lǐng)域的合作最為緊密且開展年份最早，國內(nèi)各省份機構(gòu)節(jié)點連線較少，國外尤其美國各機構(gòu)之間交流較多。見圖4～5、表2。

圖4 國內(nèi)機構(gòu)共現(xiàn)圖

圖5 國外機構(gòu)共現(xiàn)圖

2.4 國家共現(xiàn)分析

國家共現(xiàn)分析結(jié)果顯示，美國和多個國家的合作關(guān)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(yīng)用于骨科領(lǐng)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(xiàn)圖

2.5 研究熱點分析

2.5.1 關(guān)鍵詞共現(xiàn)及突現(xiàn)分析 國內(nèi)文獻(xiàn)關(guān)鍵詞共現(xiàn)圖譜共400 個節(jié)點，764 條連線，見圖7。關(guān)鍵詞頻次排名前5 位為機器人（203 次）、深度學(xué)習(xí)（143 次）、AI（135 次）、全髖關(guān)節(jié)置換術(shù)（45 次）、外科手術(shù)（26 次）。國外文獻(xiàn)關(guān)鍵詞共現(xiàn)圖譜共674 個節(jié)點，1 742 條連線，見圖8。關(guān)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(nèi)外關(guān)鍵詞突現(xiàn)分析結(jié)果顯示，國內(nèi)出現(xiàn)12 次突現(xiàn)，早期研究熱點集中在手術(shù)入路、角度測量及對稱通道卷積網(wǎng)絡(luò)長達(dá)14 年，卷積神經(jīng)網(wǎng)絡(luò)和機器學(xué)習(xí)是從2019 年持續(xù)至今的關(guān)鍵詞。國外出現(xiàn)3 次突現(xiàn)為人工神經(jīng)網(wǎng)絡(luò)、并發(fā)癥和學(xué)習(xí)曲線，人工神經(jīng)網(wǎng)絡(luò)于2004 年開始出現(xiàn)并于2018 年止，持續(xù)時間最長久為14 年。見圖9～10。

圖7 國內(nèi)關(guān)鍵詞共現(xiàn)圖譜

圖8 國外關(guān)鍵詞共現(xiàn)圖譜

圖9 國內(nèi)關(guān)鍵詞突現(xiàn)圖

圖10 國外關(guān)鍵詞突現(xiàn)圖

2.5.2 關(guān)鍵詞聚類分析 國內(nèi)外關(guān)鍵詞聚類視圖中選取排名前10 的關(guān)鍵詞，聚類大小與聚類序號呈負(fù)相關(guān)，中文文獻(xiàn)關(guān)鍵詞聚類分析顯示，Q=0.77，S=0.91；外文文獻(xiàn)關(guān)鍵詞聚類分析顯示，Q=0.72，S=0.84。國內(nèi)外聚類圖譜展示了該領(lǐng)域研究的整體結(jié)構(gòu)。其中，國內(nèi)對該領(lǐng)域的關(guān)注點較為集中在診斷識別、輔助測量及外科手術(shù)上；而國外則更加側(cè)重對于卷積神經(jīng)網(wǎng)絡(luò)和算法研究。見圖11～12。

圖11 國內(nèi)關(guān)鍵詞聚類圖

3 討論

AI 利用其深度學(xué)習(xí)的特征搭建人工神經(jīng)網(wǎng)絡(luò)，同時其可通過大量醫(yī)學(xué)數(shù)據(jù)建立訓(xùn)練模型來分析圖像、評估風(fēng)險等[8]。CiteSpace 可視化分析其最大的特色在于通過繪制網(wǎng)絡(luò)圖譜展現(xiàn)該領(lǐng)域的演進(jìn)歷程，自動顯示研究前沿及引文節(jié)點文獻(xiàn)，直觀掌握該領(lǐng)域研究的整體情況[9]。本研究基于CiteSpace 分析結(jié)果和文獻(xiàn)的閱讀，從概括到具體地對AI 應(yīng)用于骨科領(lǐng)域的相關(guān)文獻(xiàn)進(jìn)行系統(tǒng)梳理。

圖12 國外關(guān)鍵詞聚類圖

3.1 AI 預(yù)測患病風(fēng)險

目前疾病預(yù)測主要應(yīng)用在骨密度、骨質(zhì)疏松、股骨頭壞死等方面[10]。AI 系統(tǒng)可通過X 線顯示骨密度，進(jìn)而提示發(fā)生骨質(zhì)疏松性骨折風(fēng)險[11]。同時Zhu 等[12]應(yīng)用深度學(xué)習(xí)預(yù)測術(shù)后患者并發(fā)股骨頭缺血性壞死的概率，證明AI 預(yù)測骨科疾病系統(tǒng)能有效檢測并提出早期干預(yù)，防止疾病進(jìn)一步發(fā)展。

3.2 AI 輔助骨科診斷

AI 通過學(xué)習(xí)大量影像學(xué)數(shù)據(jù)可以快速準(zhǔn)確診斷各種骨折并準(zhǔn)確進(jìn)行骨關(guān)節(jié)炎分型來指導(dǎo)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(guān)節(jié)炎CT 圖像進(jìn)行診斷及分級，馬少龍[16]通過深度學(xué)習(xí)技術(shù)對椎間盤突出及骨質(zhì)增生進(jìn)行識別檢測及可行性分析；夏楚藜[17]通過研發(fā)系統(tǒng)利用機器學(xué)習(xí)對骨腫瘤進(jìn)行準(zhǔn)確識別診斷。AI 輔助下診斷效率及準(zhǔn)確率的提升方便了骨科醫(yī)師的臨床工作，為進(jìn)一步精確治療提供充足保障。

3.3 AI 促進(jìn)手術(shù)智能化

AI 可應(yīng)用在術(shù)前規(guī)劃及術(shù)中輔助上，有研究證明，AI 術(shù)前規(guī)劃系統(tǒng)對于關(guān)節(jié)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(zhǔn)確率，其短期療效滿意[18-19]。有研究利用3D 打印技術(shù)及術(shù)中導(dǎo)航精準(zhǔn)切除骨肉瘤，發(fā)現(xiàn)術(shù)中AI 輔助可提高脊柱椎體成型定位精準(zhǔn)度和效率，減少透視次數(shù)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(zhǔn)確省時；劉彥等[23]在機器人輔助下PFNA 內(nèi)固定治療股骨轉(zhuǎn)子間骨折。機器人輔助手術(shù)的優(yōu)勢在于精準(zhǔn)高效完成手術(shù)的同時又可避免術(shù)中損傷，降低手術(shù)風(fēng)險及輻射，利于患者術(shù)后康復(fù)[24]。

3.4 AI 術(shù)后康復(fù)隨訪

AI 系統(tǒng)可以對術(shù)后假體角度進(jìn)行準(zhǔn)確評估，減少醫(yī)師工作壓力并及時監(jiān)測風(fēng)險。AI 既可以幫助脊髓受損患者恢復(fù)運動功能和膀胱控制能力,也可以輔助腰椎髓核摘除術(shù)后患者步態(tài)訓(xùn)練，提升治療效果、縮短康復(fù)時間[25-26]。

4 小結(jié)與展望

近年來AI 應(yīng)用于骨科領(lǐng)域的研究熱度持續(xù)增長，國內(nèi)外在關(guān)注度增長起始點上具有同步性。目前美國在該領(lǐng)域處于領(lǐng)先地位，主要表現(xiàn)在國家機構(gòu)影響力及發(fā)文量較高上，反觀國內(nèi)研究成果缺乏深度，原因可能與國內(nèi)現(xiàn)有機構(gòu)合作地域化相關(guān)，這將會出現(xiàn)區(qū)域間機構(gòu)實力懸殊，最終影響我國在AI 應(yīng)用于骨科領(lǐng)域研究的發(fā)展速度和質(zhì)量。這啟示國內(nèi)機構(gòu)及學(xué)者應(yīng)加強與國外該領(lǐng)域先進(jìn)機構(gòu)的合作交流，開展自主創(chuàng)新研發(fā)來推動國內(nèi)該領(lǐng)域發(fā)展，當(dāng)前研究熱點主要集中在機器人、深度學(xué)習(xí)、卷積神經(jīng)網(wǎng)絡(luò)上。

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