骨转移中人工智能应用演进的文献计量与可视化分析

《Frontiers in Oncology》:Mapping the evolution of artificial intelligence applications in bone metastasis: a bibliometric and visualization analysis

【字体: 大 中 小 】 时间:2026年10月22日 来源:Frontiers in Oncology 3.4

编辑推荐:

  背景:骨转移是晚期恶性肿瘤的主要并发症,并与严重的骨骼并发症、生活质量受损及复杂的临床决策相关。人工智能(artificial intelligence, AI)已迅速成为分析异质性生物医学数据的重要计算方法。然而,人工智能在骨转移中应用的发展格局、知识演进及

  
背景:骨转移是晚期恶性肿瘤的主要并发症,并与严重的骨骼并发症、生活质量受损及复杂的临床决策相关。人工智能(artificial intelligence, AI)已迅速成为分析异质性生物医学数据的重要计算方法。然而,人工智能在骨转移中应用的发展格局、知识演进及未来临床方向尚未得到充分表征。方法:基于Web of Science核心合集(Web of Science Core Collection, WoSCC)、PubMed和Scopus数据库,对2006年1月至2026年6月期间收录的文献进行了全面的文献计量分析。采用CiteSpace、VOSviewer及基于R的文献计量工具,分析了年度发文趋势、期刊分布、国家、机构、作者、被引模式、关键词共现、主题演进及参考文献突现等文献计量指标。结果:共纳入540篇文献,涉及来自237种期刊的3,439位作者。2020年后研究产出显著增长,年增长率为24.01%,反映出骨转移中AI相关研究的快速扩展。中国发文量最多,而美国、日本及欧洲国家展现出显著的学术影响力与国际合作。主题分析显示,研究经历了从早期计算机辅助诊断和骨显像分析向深度学习、放射组学、多模态预测及基于语言的AI应用的渐进式转变。影像相关方法仍是主要研究方向,而新兴研究日益聚焦于临床信息提取、预后建模及异质性数据源整合。少数近期研究探索了基于语言的AI用于临床信息提取、数据组织和知识支持,提示该方向虽属新兴但规模有限,尚未超越传统影像应用的范畴。结论:骨转移中的AI研究已从自动化病灶识别向疾病特征刻画、风险评估和临床决策支持等更广泛的应用演进。影像学、机器学习、深度学习及放射组学仍是该领域的主要基础,而基于语言的AI目前代表一个相对较小且新兴的研究方向。未来研究应优先关注多中心验证、多模态数据整合、前瞻性评估及具有临床意义的终点。大语言模型系统作为未来疾病特异性AI框架的潜在组成部分可能值得进一步研究,但其在骨转移中的临床效用仍有待证实。
1 引言

骨转移是晚期恶性肿瘤常见且具有重要临床后果的表现形式。由于其对骨骼完整性、功能状态及患者生活质量造成不可逆影响,骨转移始终是肿瘤临床实践中最具挑战性的并发症之一。随着全身抗癌治疗的持续进步,晚期恶性肿瘤患者的生存期显著延长,带瘤生存人群不断扩大。骨是远处播散最常见的部位之一,尤其在乳腺癌、前列腺癌、肺癌和肾细胞癌中尤为突出。近期基于人群的研究显示,相当比例的初诊实体瘤患者发生同时性骨转移,且不同原发癌类型间存在显著差异。另一项人群研究进一步证实了骨转移在不同恶性肿瘤中的异质性分布,并强调了骨骼播散带来的巨大临床负担。尽管全身治疗的改善增强了疾病控制,骨转移仍然是重要的 morbidity 来源。骨骼相关事件(skeletal-related events, SREs),包括病理性骨折、脊髓压迫、高钙血症和癌症相关性骨痛,常导致功能恶化和生活质量下降。

临床实践中,骨转移的管理需要持续评估转移负荷、骨骼并发症、治疗反应和长期预后。这些复杂的临床需求对能够整合多维临床和生物学信息的个体化方法提出了日益增长的要求。骨转移的评估和管理越来越依赖于对异质性生物医学数据的解读。医学影像模态,包括计算机断层扫描(computed tomography, CT)、磁共振成像(magnetic resonance imaging, MRI)、正电子发射断层扫描/计算机断层扫描(positron emission tomography/computed tomography, PET/CT)和骨显像,仍是病灶检测、定位和疗效评估的基础工具。然而,影像表现仅代表转移表型的一个组成部分。临床特征、病理参数、治疗史和生存结局为患者分层和治疗决策提供补充信息。分子谱分析技术的进展通过揭示骨骼定植涉及的基因组改变、转录程序和肿瘤-微环境相互作用,拓展了对转移演进的理解。这些数据集日益增长的复杂性暴露了传统分析方法的局限性。传统统计模型往往依赖预定义变量,可能无法充分捕捉影像特征、分子变化和临床结局之间的非线性交互。人工智能(artificial intelligence, AI),包括机器学习、深度学习、放射组学方法和大型语言模型(large language models, LLMs),因其能够从高维生物医学数据集中提取复杂模式而受到日益关注。在肿瘤学中,AI方法已被越来越多地探索作为精准医学的计算工具,支持诊断、风险预测、预后评估和治疗优化等应用。

在骨转移领域,AI应用已从影像解读扩展到更广泛的临床和生物学研究计算方法。基于影像的AI模型已被广泛研究用于转移性骨病灶的自动检测、分割和特征刻画。应用于CT、MRI、PET/CT和骨显像的深度学习方法显示出改善诊断性能和减少观察者变异性的潜力。放射组学通过将医学图像转换为定量特征进一步扩展了影像分析能力,使得能够无创评估肿瘤异质性和转移特征。在影像之外,机器学习模型已被开发用于不同癌症人群中的骨转移风险预测和个体化预后评估。AI方法也已应用于生存预测、治疗反应评估和多组学分析,以探索转移进展和治疗耐药。

总体而言,这些进展反映了骨转移研究中AI从影像辅助诊断向疾病预测和生物学研究的综合计算框架的转变。尽管骨转移相关AI研究快速扩展,但整体研究格局仍未得到充分表征。当前研究分布在多种癌症类型、影像平台、计算算法和临床目标中。聚焦于放射组学、基于深度学习的影像分析、分子预测和临床风险建模的研究在很大程度上相对独立发展,使得难以确定这一跨学科领域的发展轨迹和知识结构。此外,若干转化挑战仍未解决,包括外部验证有限、数据集异质性、算法可解释性、可重复性以及临床实施的不确定性。尽管许多AI模型在回顾性队列中展现出有前景的性能,其临床适用性仍需在不同人群和真实世界医疗环境中进行评估。因此,全面理解科学发展的模式、有影响力的贡献者、新兴研究方向及合作结构,对于识别AI辅助骨转移研究中的现有成就和未来机遇至关重要。

文献计量分析通过系统评估出版物特征、被引模式、合作网络和知识结构,为评估科学领域发展提供了定量框架。与传统叙述性综述相比,文献计量方法能够可视化研究轨迹、识别有影响力的研究、识别新兴主题并评估快速演进学科中的合作模式。鉴于骨转移中AI应用的跨学科特征(整合肿瘤学、放射学、计算机科学和分子医学),文献计量分析为全面评估这一新兴研究领域的发展和结构提供了合适的方法。

在本研究中,开展了一项全面的文献计量分析,以刻画骨转移中人工智能应用的全球研究格局。分析聚焦于发文趋势、研究生产力、国际合作模式、有影响力的贡献者、知识结构和主题演进。通过绘制AI辅助骨转移研究的发展轨迹,本研究旨在识别主要研究热点、厘清不断演进的科学方向,并为人工智能在转移性骨病中的未来应用优先事项提供见解。

2 材料与方法

2.1 数据来源

从三个数据库系统检索相关文献:Web of Science核心合集(WoSCC)、PubMed和Scopus。选择这些数据库是为了提供多学科、生物医学、肿瘤学、放射学和人工智能相关文献的广泛覆盖。WoSCC和Scopus提供多学科科学文献的广泛索引,而PubMed主要聚焦于生物医学和临床研究。三个数据库的联合使用旨在提高文献覆盖率,同时减少对任一数据库索引范围的依赖。所有数据库检索于2026年6月26日进行,以尽量减少数据库日常更新可能造成的偏倚。检索时间跨度从2006年1月1日至2026年6月26日。仅英语论文和综述被纳入合格文献。由于检索完成于2026年6月26日,2026年发表的记录代表部分日历年。这些记录被保留以捕捉最新进展,但在逐年发文趋势分析中被谨慎解读。

2.2 检索策略

检索策略围绕两个主要概念组制定。检索词旨在同时捕捉疾病领域和骨转移AI研究中使用的重大方法论类别。骨转移概念组被限制为明确描述骨或骨骼转移受累的术语,以保持疾病特异性。AI概念组包含广义AI术语和常用方法论族,包括机器学习、深度学习、放射组学、计算机视觉、计算机辅助诊断、神经网络、支持向量机、随机森林和图像分割,以捕捉描述特定计算方法但不一定使用通用术语“人工智能”的研究。第一组代表骨转移性疾病,包括“bone metastasis”“bone metastases”“skeletal metastasis”“skeletal metastases”。第二组代表人工智能及相关计算方法,包括与人工智能、机器学习、深度学习、机器智能、计算智能、大型语言模型、计算机视觉、计算机辅助诊断、放射组学、人工神经网络、卷积神经网络、支持向量机、随机森林和图像分割相关的术语。三个数据库中保持了等价的概念组合,同时根据各平台的索引结构调整了数据库特定的字段标签和语法。根据各数据库的索引结构使用数据库特定的检索字段。WoSCC采用主题检索,PubMed采用标题/摘要检索,Scopus采用TITLE-ABS-KEY检索。检索限制为2006年至检索日期之间以英语发表的论文和综述。WoSCC、PubMed和Scopus的完整检索策略见原文图1和表1。

2.3 文献筛选与去重

初步检索识别出1,756条记录,其中WoSCC 495条,PubMed 424条,Scopus 837条。从三个数据库导出的记录被合并到统一数据集中。由于三个数据库之间存在大量重叠,且并非所有记录均具有统一的文献标识符,因此采用了分层去重程序。基于可用文献标识符识别重复出版物。首先移除基于DOI或其他唯一标识符的精确匹配。对于无DOI或标识符不一致的记录,在规范化后比较标题。标题相同或高度相似的记录进一步使用作者姓名、出版年份、期刊来源和其他书目信息进行审查。仅在这些书目字段一致确认后去除潜在重复。共去除832条重复记录,剩余924条唯一记录进入资格筛选。两名评审员根据预定义的纳入和排除标准独立筛选标题和摘要。符合以下标准的研究被视为合格:(1)研究直接涉及骨转移、转移性骨病灶、骨骼转移、脊柱转移或其他明确定义的转移性骨受累形式;(2)对于原始研究,至少一种预定义的AI相关方法直接应用于骨转移相关任务;对于综述文章,骨转移中的AI应用构成综述的实质性重点;(3)出版物为2006年1月1日至2026年6月26日期间发表的英语论文或综述。若骨转移仅作为背景信息、既往病史、协变量或偶然发现提及而非实际分析目标,则排除记录;若AI相关方法仅被提及或应用于其他疾病或结局而非直接针对骨转移相关研究任务,则排除;若研究主要调查其他骨疾病或病变,则排除;若记录不符合预定义时间、语言或文献类型限制,则排除。当无法从标题和摘要确定资格时,检查全文或额外书目信息。分歧或不确定案例由第三名评审员审查并通过讨论达成共识。筛选后排除384条无关记录,最终将540篇出版物纳入文献计量分析。

2.4 数据提取与标准化

从每个数据库以最完整的可用记录格式导出书目信息。提取的变量包括出版标题、摘要、作者姓名、作者单位、国家或地区、期刊标题、出版年份、文献类型、作者关键词、索引关键词、引用参考文献、被引次数、DOI及其他可用书目标识符。由于WoSCC、PubMed和Scopus的元数据结构不同,导出的记录在分析前进行了统一处理。等效书目字段被映射到公共结构中,缺失或不一致的信息在必要时进行人工检查。对于在多个数据库中索引的重复出版物,保留最完整的元数据或使用其他数据库对应记录的信息进行补充。由于不同数据库的被引覆盖范围不同,被引次数使用预定义来源层级进行统一。WoSCC被用作被引信息的主要来源。当同一出版物在多个数据库中被索引时,不求和或平均被引次数,而保留WoSCC的Times Cited值。缺失被引数据的记录通过DOI、PMID、规范化标题、作者信息和出版年份进行人工验证,并在可用时添加验证的WoSCC被引次数。无法确认WoSCC被引次数的记录被视为缺失而非零被引。Scopus和PubMed用于补充其他书目元数据,但在基于被引的分析中不混合不同数据库的被引次数。

作者姓名、机构名称、国家或地区名称、期刊标题和关键词的变体在适当情况下进行人工审查和统一。对于关键词规范化,合并单复数形式、拼写变体、缩写、连字符表达和密切相关的术语。例如,“artificial intelligence”和“AI”在适当情况下被标准化。还审查了“MRI”“CT”“PET/CT”“bone metastasis”和“bone metastases”的变体,以减少关键词网络中的人为碎片化。当通用术语不有助于研究格局解读时,去除具有有限主题价值的通用术语、数据库生成的索引术语和无关方法论表达。为VOSviewer构建了同义词表文件,为CiteSpace构建了别名/术语合并文件,以确保跨网络分析的一致性。机构缩写和全名仅在人工验证后合并。国家名称使用统一命名约定进行标准化。作者姓名被谨慎检查,因为相同的姓氏和首字母可能代表不同的研究人员。国家、机构和关键词变体在合并前进行人工审查,并酌情排除非机构单位标签(如科室或实验室)。详细标准化和术语合并规则见原文补充表S2-S4。

2.5 文献计量分析

文献计量分析和可视化使用R版本4.6.1(RStudio环境)、VOSviewer版本1.6.20和CiteSpace版本7.0.R0进行。Microsoft Office Excel 2024用于数据制表和图形格式化。R主要通过bibliometrix包用于分析发文趋势、来源生产力和被引影响、国家/机构/作者的贡献与合作模式、关键词相关主题和趋势。还用于生成三字段图、布拉德福定律分布、SCP/MCP分析、参考文献出版年份光谱、主题地图和时间关键词分析。选定的文献计量数据导出至Microsoft Office Excel 2024进行图形展示和格式化。

VOSviewer用于可视化国家、机构和作者合作网络以及关键词共现网络。所有VOSviewer网络分析均采用全计数。对于国家、机构和作者合著网络,最小文档数设为5,最小被引阈值设为0。对于机构网络,排除涉及超过25个组织的文献以减少异常大规模合作记录的影响。对于关键词共现分析,使用作者关键词,最小出现阈值设为5。作者和关键词网络采用关联强度归一化。进行聚类时,分辨率参数设为1.00,最小聚类大小设为1,并启用小聚类合并。机构与作者合作网络的叠加可视化基于相同底层网络生成,节点颜色代表平均出版年份。节点大小代表发文量或关键词出现频率,连线表示合作或共现关系,总链接强度反映每个节点的整体连接性。

CiteSpace用于通过期刊双图叠加、参考文献被引突现检测、关键词聚类和时间线可视化,审视骨转移人工智能研究的知识结构与时序演进。对于关键词聚类和时间线分析,时间跨度设为2006–2026年,每年一个切片。使用作者关键词作为术语来源,节点类型选择关键词。节点选择基于g指数,比例因子k=6。启用Pathfinder和剪枝切片网络以减少冗余链接并提高网络可解释性。

3 结果

3.1 年度发文趋势与一般特征

2006年1月1日至2026年6月26日期间,共纳入540篇关于骨转移人工智能应用的文献。2020年前年度发文量保持低位,此后显著增加,在2025年(最近一个完整日历年)达到101篇的峰值。截至2026年6月26日,2026年内已纳入74篇出版物。该值仅代表2026年出版年份的一部分(图2A)。累计发文量从2019年的61篇增加到检索日期的540篇,表明该领域近年来快速扩展(图2B)。文献分布在237种来源中,涉及3,439位作者。年增长率为24.01%,国际合著占数据集的19.63%。每篇文献的平均合著者数为8.13。共识别出1,118个作者关键词和16,020条参考文献。平均文献年龄为3.46年,平均每篇文献被引10.06次(图2C)。

3.2 期刊分析

540篇文献分布在237种期刊中。Frontiers in Oncology发文量最多(28篇),其次是Annals of Nuclear Medicine(21篇)。Cancers和Scientific Reports各贡献17篇,Journal of Bone Oncology发表16篇。在主要来源中,European Journal of Nuclear Medicine and Molecular Imaging被引次数最高(7篇文献获得365次被引)。这一模式表明发文量与期刊被引影响力并非完全一致(图3A)。Annals of Nuclear Medicine的H指数最高(11),Cancers和Frontiers in Oncology紧随其后(均为9)。Diagnostics、Journal of Bone Oncology和Scientific Reports的H指数为7(图3B)。核医学、肿瘤学和影像学期刊的突出地位反映了该领域当前的临床导向。大部分文献仍集中在基于图像的检测、病灶特征刻画和预测建模。根据布拉德福定律,14种期刊被归类为核心来源。第2区包括57种期刊,第3区包含166种期刊。因此文献分布广泛,尽管相对较小的一组期刊构成了主要出版核心(图3C)。双图叠加显示,施引文献集中在医学和临床研究领域,被引知识基础主要位于健康、护理、医学、分子生物学和遗传学领域(图3D)。

3.3 国家分析

2020年后国家科研产出显著增加,其中中国增长最为明显。美国和日本也保持了可观贡献,而欧洲国家的增长较为温和(图4A)。中国以233篇文献排名第一,日本和美国各51篇并列第二。意大利和韩国分别贡献19篇和18篇(表2)。国际合作网络主要以中国、美国、日本、意大利和韩国为中心,这些国家与多个欧洲研究团队之间也存在密集联系(图4B)。三字段图进一步展示了机构、作者和国家之间的关系。大多数主要作者隶属于中国机构,而其他贡献来自美国、澳大利亚、日本和多个欧洲国家(图4C)。在大多数主要国家中,单一国家出版物占主导地位。中国产出204篇单一国家和29篇多国出版物。日本贡献44篇单一国家和7篇多国出版物。美国展现出更均衡的合作概况,有31篇单一国家和20篇多国出版物。荷兰的国际出版物比例也相对较高,在13篇文章中有6篇多国出版物(图4D和表2)。地理分布证实研究活动集中在东亚、北美和西欧。非洲、南美和中亚部分地区的贡献仍然有限(图4E)。

3.4 机构分析

西北民族大学发文量最高(64篇),其次是中国医科大学(47篇)。哈佛大学和哈佛大学医学附属机构分别贡献34篇和31篇。中国医科大学(中国台湾)、台湾大学和多伦多大学各产出28篇(图5A)。机构产出主要在2020年后增加。西北民族大学近期增长最显著,到2026年达到64篇。中国医科大学也快速扩展,尤其是在2022年后。哈佛大学、哈佛大学医学附属机构、马萨诸塞总医院和台湾大学观察到较为平缓的增长(图5B)。合作网络揭示了多个以机构为中心的集群,而非单一的整合全球网络。中国医科大学是主要合作枢纽之一,与多个国内外机构相连,包括复旦大学、福建医科大学、南昌大学、天津医科大学、四川大学、中山大学和约翰斯·霍普金斯大学。西北民族大学形成另一个突出集群,与查尔斯特大学和兰州大学紧密合作。一个独立的国际集群以哈佛医学院和马萨诸塞总医院为中心,并与乌得勒支大学医学中心有额外联系。在隆德大学、哥德堡大学和萨尔格伦斯卡大学医院之间,以及台湾地区的若干机构之间,也观察到较小的合作团体(图5C)。叠加可视化显示,若干高产出机构近期才开始活跃。西北民族大学、查尔斯特大学和中国医科大学网络的部分机构与较晚的平均出版年份相关。哈佛医学院和多伦多大学代表相对较早的贡献者(图5D)。

3.5 作者分析

主要作者的发文轨迹见图6A。大多数高产出研究人员在2020年后开始活跃。Cao YC发文量最高(22篇),其次是Lin Q(21篇)和Zeng XW(20篇)。Man ZX和Huang XD分别贡献18篇和15篇。Cao YC和Lin Q在高产作者中也记录了最高本地被引次数(各84次)(表3)。合著网络显示多个不同的研究团队,而非单一整合社区(图6B)。Cao YC、Lin Q、Zeng XW、Man ZX和Huang XD形成了一个密集集群。另一个团队包括Groot OQ、Schwab JH及相关合作者。还观察到较小和相对孤立的集群,表明合作仍集中在既有团队内。叠加可视化显示最大的作者集群主要在该领域的较近期阶段(尤其是2023年以后)活跃(图6C)。Edenbrandt L表现出最高的被引影响力,总被引353次、本地被引96次,尽管仅发表10篇文章。Cao YC和Edenbrandt L共享最高H指数(8)。Schwab JH也表现出显著的学术影响力,被引193次,H指数为7(表3)。

3.6 有影响力的参考文献与被引突现

被引突现分析识别出一系列在相对短时间内受到密集关注的出版物(图7A)。最强突现为Horikoshi等人关于骨显像计算机辅助诊断的研究,突现强度7.69,持续2013–2017年。早期有影响力的参考文献主要与骨扫描指数(Bone Scan Index)和骨骼肿瘤负荷自动量化相关。近期突现转向深度学习和基于图像的分类。Litjens等人的综述在2020–2021年表现出6.42的突现强度。两项基于深度学习的骨转移分类研究在2021–2023年保持活跃。本地被引次数最高的出版物是“Global Cancer Statistics 2020: GLOBOCAN Estimates of Incidence and Mortality Worldwide for 36 Cancers in 185 Countries”(46次本地被引)。U-Net相关论文和平面全身骨扫描计算机辅助解读研究各获得41次本地被引。其他高被引参考文献涉及转移性骨病、骨扫描指数量化、放射组学和医学图像分析中的深度学习(图7B;表4)。被引参考文献的年度数量在早期较低,2010年后急剧增加,约在2021年达到明显峰值。与五年中位数的偏差在2020年最高,标志着被引活动的显著增加(图7C)。

3.7 关键词聚类与主题演进

关键词共现分析识别出四个主要主题集群(图8A)。集群1以骨转移、机器学习、放射组学、预后建模和治疗相关评估为中心。集群2以深度学习、骨显像、图像分类和计算机辅助诊断为主导。集群3主要涉及前列腺癌和多模态影像,包括磁共振成像和正电子发射断层扫描。集群4反映更广泛的方法论发展,术语包括人工智能、卷积神经网络、图像分割和自然语言处理。时间线可视化进一步将文献分为七个主题组(图8B)。早期工作主要基于计算机辅助诊断、骨显像和定量骨骼评估。较近的集群聚焦于基于深度学习的图像分析、骨转移影像、预测建模和癌症特异性应用。前列腺癌形成一个持续的研究分支,而乳腺癌相关骨转移仍较小且相对欠发达。主题地图显示,深度学习、骨显像和卷积神经网络具有相对较高的密度和中心性,表明它们是发展成熟且有影响力的主题(图8C)。人工智能、免疫治疗和生物标志物表现为更专门化的主题。放射组学、乳腺癌和计算机断层扫描被定位为基础性主题,具有广泛相关性但内部发展相对有限。若干影像相关主题(包括前列腺癌、正电子发射断层扫描和全身磁共振成像)位于新兴或衰退象限。这些主题的位置应谨慎解读,因为可能反映近期关注减少或领域尚未达到稳定发展。关键词热图证实了研究焦点随时间的显著转变(图8D)。骨转移仍为主导术语(出现216次),机器学习和深度学习分别出现106次和103次。放射组学、前列腺癌、人工智能和骨显像也频繁出现(表5)。值得注意的是,基于语言的AI并未构成当前数据集中的主要高频主题。尽管自然语言处理出现在更广泛的方法论集群中,与机器学习、深度学习、放射组学和基于影像的方法相比,LLM相关应用仍然相对稀少。

4 讨论

本研究提供了2006年至2026年6月骨转移人工智能应用的全面概览。在WoSCC、PubMed和Scopus中识别出540篇文献。2020年研究活动显著增加,而基于影像的应用仍是该领域的主导组成部分。知识结构逐渐从计算机辅助判读和骨骼肿瘤负荷定量评估扩展到深度学习、放射组学、预后建模和新兴的基于语言的应用。中国贡献了最大的发文量,而美国、日本和多个欧洲国家在文献计量网络中保持了显著的基于被引的可见性。总体而言,该领域正在快速扩展,但国际合作和临床转化仍然有限。

4.1 发文增长、地理分布与学术影响

2020年后的发文量急剧上升可能反映了方法论和基础设施发展的汇聚。Krizhevsky等人于2012年确立了图形处理器训练的卷积神经网络(convolutional neural networks, CNNs)在大规模图像分类中的实用价值。Ronneberger等人随后引入U-Net用于生物医学图像分割。Vaswani等人后来描述了transformer架构。同一时期,深度学习工具变得更易获取,放射组学工作流程日益标准化。这些发展使得能够从CT、MRI、PET/CT和骨显像中提取定量信息的规模超越了传统视觉评估。代表性研究将自动化分析扩展到全身骨骼分割、三维脊柱病灶表征和多分辨率MRI检测。2020年前后被引参考文献的上升和2021年的被引峰值支持了这一实质性方法论转变的解读。计算机辅助分析正被更数据密集的表示学习所取代。Pi等人通过训练一个注意力增强的多视角网络,对13,811例患者的15,474次前后位骨扫描检查进行了分析,体现了这一变化。2026年的发文量在检索时并不完整,因为检索于2026年6月26日进行。2025年至2026年的表面变化不应被解读为时间性下降。2026年的记录被保留以捕捉最新研究主题,但在解读年度发文趋势时并未被视为可与完整日历年直接比较。最新的出版物还表明,AI应用正开始从传统影像任务扩展到临床文本处理、信息提取和计算建模。这些新兴应用在数量上仍然有限,但表明骨转移研究中AI处理的数据类型和临床问题正在拓宽。

中国在发文量上排名第一,近期增长最为显著。这一模式可能反映了中国庞大的患者群体、越来越多的医院多模态数据获取机会以及AI研究团队的快速扩展。然而,发文量并未始终与被引影响力一致。美国在国内和国际合作方面表现出更均衡的概况。若干北美机构也贡献了更早且被引次数更高的研究。中国近期在AI基础设施方面的进展可能有助于维持其发文优势并支持更有影响力的临床研究,但仅凭规模并不能保证这一结果。Zhang等人开发了一个用于CT上骨转移检测和诊断的临床适用系统,在五家医院进行了开发和验证,并在大型真实世界队列中进行了评估。该研究说明了如何通过多中心测试和面向部署的评估将发文量转化为更有力的证据。中国和美国常被视为AI领域的竞争者,但在实践中,共享方法和跨系统验证可能对解决临床相关问题更为重要。因此,国家表现应通过方法论贡献、外部验证、被引影响力和国际合作来判断,而非仅凭发文数量。

国际合著仅占所纳入文献的19.63%,表明跨国合作仍然有限。现有网络集中在中国、美国、日本、意大利、韩国和多个欧洲国家。非洲、南美和中亚部分地区的贡献相对稀缺。这种不平衡可能限制数据集的代表性,并延迟跨不同医疗体系的临床转化。医学AI需要远超算法设计的资源。高性能计算、专家标注、数据协调、网络安全、软件维护和前瞻性验证都需要持续投入。这些要求难以在孤立机构内满足。国际和多中心合作可以分摊成本,并使模型暴露于扫描仪、人群、疾病表型和临床工作流程的变异中。Wang等人结合了中国和美国的放射学与计算机科学专长,其研究成为当前数据集中被引次数最高的贡献。Nakajima等人报告的日本多中心研究同样展示了汇集机构数据如何支持校准和外部验证。国际合作可能促进对异质性人群、影像平台和临床环境的访问,从而为更广泛的验证创造机会。然而,合作指标本身描述的是网络结构,不应被解读为方法论质量、模型可靠性或临床意义的直接证据。

4.2 期刊、有影响力的贡献者与知识基础

文献计量指标应被解读为学术活动和可见性的度量,而非研究质量或临床重要性的直接度量。发文量主要反映生产力,而被引次数和H指数捕捉给定时间窗口内基于被引的影响力。这些指标受文献年龄、被引延迟、领域规模、主题热度、期刊可见性和被引实践的影响。因此,被引次数高的研究不一定方法论更优或临床更相关,而近期发表的研究可能因时间不足而代表性不足。合作指标同样描述研究网络的结构和范围,而非所得证据的质量。文献分布在237种期刊中凸显了骨转移AI研究的多学科性质。主要来源涵盖肿瘤学、核医学、放射学、影像科学和一般医学研究。Frontiers in Oncology发文量最大,而European Journal of Nuclear Medicine and Molecular Imaging尽管发文量较小,却表现出更大的被引影响力。这种基于被引的突出地位反映了数据集内的文献计量可见性,不应被解读为期刊质量或个别研究临床重要性的直接度量。Annals of Nuclear Medicine在主要期刊中H指数最高。H指数同样结合了发文生产力和被引积累,但并不直接评估方法论严谨性、外部有效性、可重复性或临床影响。核医学期刊的突出地位反映了骨显像在自动化骨骼评估中的历史重要性。其全身覆盖和相对标准化的平面格式为早期计算机辅助分析和转移负荷定量测量提供了实用基础。随后文献向肿瘤学和影像学期刊的扩展反映了向更广泛预测和计算应用的转变。近期在顶级期刊发表的文章即使被引次数较低也值得关注。Marsilio等人2025年在Cancer Research发表了空间显式多细胞数字孪生研究,模型使用体内前列腺癌和肾癌数据校准,再现了血管生成、骨吸收和治疗反应。该记录在导出时仅积累了一次被引。Morris等人整合了自动化骨成像、超过1000个CT放射组学特征、临床变量和血清生物标志物,在Clinical Cancer Research发表研究,模型推导和验证在两个III期试验中进行。影像改善了风险分层,但未改善患者特异性生存时间预测。这些发现不应被解读为科学价值有限的证据。它们说明了2025–2026年发表论文中的被引延迟。在如此短被引窗口内,多中心设计、独立测试、读者获益、真实世界评估和试验级验证比被引次数更具信息量。然而,期刊声望不能替代主题相关性。顶级期刊的论文可能涉及骨转移但未将AI作为主要方法。相反,技术上重要的研究可能出现在专科或非核心期刊。

作者分析显示生产力集中在少数合作团队中。然而,发文产出并不总是表明持久的科学影响力。Cao、Lin、Zeng和Man组成了最多产的近期集群之一,在名称统一后每位作者约18篇文献。这些研究者构成一个紧密连接的网络,而非四个独立研究项目。该团队的技术进展相对连贯。Lin等人(Cao和Man为合著者)比较了VGG、ResNet、DenseNet和自研分类器用于胸部SPECT分析,在增强测试数据集上报告的受试者工作特征曲线下面积(area under the receiver operating characteristic curve, AUC)为0.9933。Li等人随后开发了一个用于肺癌患者骨扫描分类的卷积神经网络,作者中包括Lin、Zeng、Man和Cao,平均分类准确率为0.7392。持续合作使该团队能够改进模型架构,并将工作从分类扩展到分割。报告的性能仍必须结合研究设计进行解读。增强数据或内部测试队列中的高准确率并不保证在独立临床人群中的类似性能。多中心外部验证对于建立稳健性和临床适用性仍然至关重要。文献计量生产力不应等同于研究质量、科学领导力或临床意义。发文量主要描述学术产出,不区分个别研究的方法论严谨性或临床相关性,也未完全说明第一作者、通讯作者、资深作者和支持性作者身份的差异。Edenbrandt的贡献遵循不同模式。科学影响力通过持续的方法论发展而非仅靠发文量建立。该作者名下共有12篇文献,累积被引353次,H指数为8。该研究计划从2006年基于人工神经网络(artificial neural network, ANN)的平面骨扫描判读推进到计算机辅助诊断、多中心校准和骨骼肿瘤负荷定量评估。后来的研究将骨扫描指数(Bone Scan Index, BSI)确立为转移性前列腺癌治疗反应评估的影像生物标志物。该工作随后扩展到使用深度学习的自动化全身骨骼分析。这种连续性有助于解释为何适度的发文组合也能产生显著的长期影响。

被引突现和本地被引分析进一步厘清了该领域的知识发展。早期研究旨在减少观察者变异性、标准化肿瘤负荷评估并建立具有临床意义的影像终点。Dennis等人验证了BSI作为骨骼转移负荷和治疗反应的定量生物标志物。Horikoshi等人和Nakajima等人随后强调了校准和多中心数据在维持模型跨人群可靠性方面的重要性。这些研究确立了医学AI中的持续性问题,包括参考标准定义、转移负荷表示以及外部部署后性能保持。深度学习的采用将领域从人工指定的影像参数转向数据驱动的表示学习。CNN和分割架构为病灶检测和定量表征提供了新方法。在骨转移研究中,这些方法被应用于脊柱MRI、骨显像、CT和放射组学。由此产生的模型支持自动化分类、分割和表型表征。与早期CAD系统相比,这些方法能够从复杂图像中提取更丰富的空间信息。然而,其临床价值仍以异质性患者、扫描仪、采集方案和护理环境中的外部验证为条件。

4.3 研究热点与主题演进

本研究中观察到的主题演进最好被解读为临床问题的变化,而非算法的流行序列。AI应用已逐渐超越病灶检测,向更广泛的疾病表征和临床决策支持发展。这一转变代表了对转移性疾病管理中日益复杂临床需求的回应。早期AI应用应被解读为旨在增强影像一致性的支持性决策工具,而非专家判读的替代品。随后观察到从病灶识别向骨骼肿瘤负荷定量评估的主题转变。影像衍生生物标志物的发展代表了一个重要的概念变化,因为转移受累不再仅被视为二元诊断结局。疾病负荷可以纵向测量,并可能与治疗反应和临床结局相关联。BSI通过将全身骨骼影像转换为可重复的生物标志物,成为代表性的定量方法之一。类似概念后来在乳腺癌骨转移中探索,自动化骨骼负荷评估显示出与骨骼相关事件和临床结局的潜在关联,但在建立临床阈值之前仍需进一步验证。

大规模影像数据集的日益可用随后将研究注意力转向放射组学、深度学习和预测建模。在本文献计量分析中,这些主题代表了主要的新兴研究集群。研究表明AI应用已从提取可见影像特征扩展到学习与疾病行为相关的复杂表示。放射组学方法试图捕捉与肿瘤异质性相关的定量影像表型,而深度学习模型能够在不完全依赖预定义影像特征的情况下实现自动化特征提取。放射组学和深度学习特征的临床意义取决于方法稳健性、外部验证和生物学解释,而非仅凭模型性能。

本研究中识别出的较近主题变化表明,AI通过多模态信息整合向临床决策支持转变。数据集中的较新研究还包括预后建模、电子健康记录分析、自然语言处理和大型语言模型的早期应用。然而,与影像、机器学习、深度学习和放射组学相比,这些基于语言的应用仅代表文献中的一小部分。这一发展反映了骨转移管理需要的不仅仅是影像诊断。治疗选择和临床规划取决于生存估计、骨折风险、神经并发症、全身治疗史和个体患者特征。因此,基于机器学习的预后模型已被探索用于支持个体化决策。Thio等人开发了机器学习模型,用于预测肢体转移瘤术后短期和一年生存率,展示了AI在外科肿瘤学环境中进行风险估计的潜力。预测性能应与校准、临床效用和外部适用性一起进行解读,而非仅凭区分度指标。

基于语言的AI代表文献中一个小型但新兴的组成部分。现有研究主要聚焦于信息提取、临床数据结构化、队列构建和知识可及性,而非自主临床决策。Kanemaru等人开发了一个微调LLM,用于从非结构化放射学报告中识别进行性骨转移,与人工标注相比实现了高分类准确率并大幅减少处理时间,凸显了其在自动化临床数据组织和队列构建中的潜力。在信息提取之外,Li等人评估了多个高级LLM处理来自研究、临床和患者视角的骨转移和癌症诱导骨痛相关问题,显示这些系统能够提供可获取的医学信息,同时也揭示了与偏倚、可解释性和问责制相关的局限性。这些发现表明骨转移中的AI应用正逐渐从影像判读扩展到临床信息整合和面向患者的支持。大型语言模型现正被用于结构化报告、识别转移部位、构建队列和支持转诊审查。Tang等人在中国多中心工作流程中比较了DeepSeek-R1、DeepSeek-V3、GPT-o3和Gemini 2.5 Pro。临床逻辑引导的提示将骨显像叙述转换为结构化数据,无需任务特异性微调。人机协同工作流程将人工处理时间减少74.5–82.6%,并支持构建涉及18,331名患者的图谱。Corso等人使用Llama 3.1 8B从电子健康记录中检索变量,骨转移状态的准确率为0.85。这些研究证明了语言模型用于临床数据组织的可行性,但不应被解读为LLM或自主AI代理已成为骨转移中既定研究范式的证据。能够进行多步临床推理的自主系统在当前语料库中很少见。Marsilio等人转而开发了空间显式多细胞基于代理的模型,作为骨转移的计算机模拟数字孪生。这些模型模拟了血管生成、骨吸收以及对卡博替尼和唑来膦酸的反应。这项工作标志着向机制性模拟的重要迈进。还应强调,机制性基于代理的模型与基于LLM的自主或半自主临床AI代理在概念上截然不同。当前的LLM方法应被视为补充性工具而非自主决策系统,因为可靠的临床部署仍需要领域特异性验证、适当的人工监督以及与既定肿瘤学工作流程的整合。总体而言,骨转移中的AI研究正从回答“病灶在哪里?”转向解决关于疾病进展、个体化风险评估和治疗优化的更具临床相关性的问题。然而,本文献计量分析识别的主题演进不应被解读为不同AI方法之间方法论质量或临床有效性的直接比较。所纳入文献涵盖异质性任务,包括检测、分类、分割、放射组学、预后建模、多模态预测和基于语言的应用,在数据集特征、验证策略、结局定义和报告性能指标方面存在显著差异。因此,对方法论严谨性、模型性能和临床效用进行正式的跨研究比较需要预定义的研究层面提取标准和任务特异性质量评估框架,并需在专门的系统综述中进行。本分析反而聚焦于领域的结构和主题演进,而对方法论质量和临床意义进行谨慎解读。

4.4 临床转化、未解决挑战与未来方向

尽管骨转移人工智能应用取得了实质性进展,但从研究开发到常规临床实施的转变仍然有限。大多数当前AI系统是为特定任务设计的,如病灶检测、分割或结局预测,且通常使用回顾性数据集进行评估。虽然高诊断或预测性能可以证明技术可行性,临床采用需要稳健性、可重复性和患者护理可测量改善的证据。可解释性和可重复性应被视为相关但不同的要求。可解释性方法可能帮助临床医生识别哪些图像区域或临床变量对模型输出有贡献,但事后解释并不一定证明模型已学习到临床上有效或可推广的关系。可重复性另外取决于对队列选择、预处理、特征提取、模型架构、超参数调整、验证程序和软件环境的透明报告。对医学AI研究的既往评估强调,许多模型仍受限于有限的外部验证、报告透明性不足以及真实世界临床影响的不确定性。从内部或单中心回顾性队列获得的性能可能无法在模型转移到独立机构或前瞻性临床环境时保持。因此,未来研究应从内部验证推进到地理和时间独立的验证之后进行外部验证,然后在真实世界临床条件下进行前瞻性多中心评估。此类评估不仅应评估区分度或分割性能,还应评估校准、临床效用、工作流程影响和具有临床意义的结局。

未来实施的主要挑战之一是建立可靠且具有代表性的数据基础设施。骨转移管理涉及来自多个来源的异质性信息,包括医学影像、病理评估、分子谱分析、电子健康记录和纵向治疗信息。然而,这些数据集往往分散在机构之间,使用不同方案采集,并受患者人群和临床工作流程差异的影响。当算法从开发队列转移到外部临床环境时,这种异质性可能降低模型泛化性。泛化性可能进一步受原发肿瘤类型、疾病负荷、人口构成、治疗暴露、转诊模式和医疗环境差异的影响。基于影像的模型还面临与CT、MRI、PET/CT和骨显像相关的扫描仪制造商、采集方案、重建参数、图像分辨率、放射性示踪剂和后处理程序的额外变异。在相对同质的数据集上开发的模型可能捕捉到无法推广到其他临床环境的机构或设备特异性特征。数据集异质性还与潜在的算法偏倚密切相关。回顾性临床数据集可能未充分代表特定患者群体、癌症类型、疾病阶段或医疗环境。当数据集来自接受特定影像检查、专科转诊、手术或其他预定临床路径的患者时,可能出现选择偏倚。测量偏倚也可能由参考标准的差异引入,包括放射学报告、手动标注、病理确认、随访影像或临床共识。因此,未来研究应报告队列构成、标注程序、缺失数据以及临床相关亚组的性能,以识别系统性模型错误的潜在来源。

多中心数据集、标准化数据框架和稳健验证策略的发展因此对于提高肿瘤学AI系统的可靠性至关重要。多样且具有代表性数据集的重要性已被强调为安全临床AI部署的基本要求。重要的是,多中心评估不应仅被视为增加样本量的手段。它还应在不同患者人群、影像系统、采集方案和临床环境中测试模型稳定性,并在临床相关时报告亚组特异性性能。在数据限制之外,AI的临床价值需要通过传统性能指标之外的评估来确定。许多当前研究主要报告准确率、曲线下面积或分割分数,而相对较少评估AI系统是否改善临床决策或患者结局。在肿瘤学实践中,AI模型的实用性取决于其是否能在复杂场景中协助临床医生,包括风险评估、治疗选择、疗效评估和随访规划。因此,前瞻性临床评估和基于工作流程的评估将需要确定AI是否相较于现有临床方法提供有意义的优势。临床实施也应被视为一个持续过程,而非模型开发的终点。患者特征、影像方案、治疗策略或临床文档的变化可能导致部署后的性能漂移。因此,前瞻性实施研究应纳入性能监测、识别模型失败的预定程序以及在临床适当时进行重新校准或更新。

以下观点应与本研究的文献计量发现区分开来。疾病特异性AI代理未在我们的语料库中成为主导研究主题,且骨转移中LLM代理系统的证据仍然有限。数据集中识别出的近期基于语言的应用,连同医学AI的更广泛发展,为考虑如何在未来研究中评估更集成系统提供了依据。一个可能的研究方向是,骨转移AI的未来发展可能逐渐超越孤立的特定任务模型,转向更集成的疾病特异性临床AI代理。当前系统主要为单一任务设计,如病灶检测、分割、预后预测或信息提取。然而,骨转移的临床管理需要异质性信息的持续整合以及跨诊断、风险评估、治疗和随访的序贯决策。这些可能性在骨转移背景下仍是概念性的,需要在推断临床价值之前进行任务特异性验证。

从前瞻性角度看,AI代理可能通过结合大型语言模型、检索增强生成(retrieval-augmented generation, RAG)、外部知识资源和专门化计算工具,为此目的提供潜在的计算架构,以支持多步推理和基于证据的决策辅助。此类架构理论上可以支持影像、病理、分子谱、电子健康记录、治疗史和纵向随访数据的整合。潜在应用可能包括识别骨转移高风险患者、评估转移进展、估计骨骼相关事件和骨折风险、监测治疗反应、预测预后以及支持多学科治疗规划。骨转移中的新兴基于语言应用已经表明,大型语言模型能够为临床信息提取和知识支持做出贡献。专门支持骨转移中RAG的证据仍然稀少。借鉴更广泛的医学AI文献,RAG可作为将模型输出锚定在精选生物医学证据中的机制进行研究。此类方法是否能在骨转移中提高事实可靠性或临床效用需要直接评估。需要在临床决策支持工具与自主或半自主AI代理之间做出明确区分。本语料库中识别出的大多数AI应用仍是任务特异性的决策支持系统。它们执行预定义功能,如病灶检测、分割、预后预测、信息提取或证据组织,而解释和后续临床行动仍由临床医生控制。相比之下,代理式AI系统可能涉及多步任务规划、外部信息检索、工具选择和使用、中间输出整合,并可能以更大程度的操作自主性启动下游行动。这些系统应围绕明确定义的临床场景而非技术驱动目标进行开发,并应作为支持性临床基础设施而非自主决策者发挥作用。

骨转移特异性AI代理的成功开发将依赖于可靠的数据基础设施、系统评估和持续的临床监督。临床医生应保留对临床后果性决策的权威,尤其是涉及诊断、骨折风险评估、预后、治疗规划或转诊的决策。AI输出应可审查,临床工作流程应允许在信息不完整、不确定或与更广泛临床背景不一致时进行人工验证、纠正或覆盖。最终临床决策的责任应在医疗工作流程中明确定义。公共数据库、多中心临床队列、影像存储库、数字病理资源、分子谱分析平台和纵向临床数据需要在标准化和可互操作的框架内整合。不同语言模型和代理架构不仅应评估预测准确性,还应评估领域特异性推理、证据检索、工具使用可靠性、可解释性、稳健性和临床效用。对于代理系统,评估还应考虑证据检索准确性、幻觉和遗漏、错误的工具选择或执行、不确定性处理、跨重复任务的一致性以及错误下游行动的潜在临床后果。因此,系统自主性的增加应伴随验证、监测、透明度和临床问责制方面日益严格的要求。AI部署因此应被视为一个持续过程,而非一次性模型开发任务,需要随着临床实践和可用证据的演进进行持续监测、更新和调整。未来疾病特异性AI代理或可作为协同系统,组织复杂信息、提供基于证据的推理支持并促进个体化管理,而非取代肿瘤科医生或放射科医生。其最终价值将取决于严格临床验证和在真实世界肿瘤学工作流程中证明的获益。因此,骨转移中AI的近期临床角色更适当地被视为临床医生监督的决策支持,而自主临床决策仍是一个需要显著更强证据和治理的研究方向。

4.5 局限性

本研究存在若干局限性。首先,文献仅从WoSCC、PubMed和Scopus检索。尽管使用三个数据库增加了覆盖率,但其他来源索引的相关研究可能被遗漏。限制为英语论文和综述也可能降低区域研究的代表性。其次,文献计量图谱受分析阈值、术语合并、聚类参数和聚类标签解读的影响。关键词规范化减少了人工碎片化,但也可能合并了部分含义不同的术语。因此,新兴或衰退主题应谨慎解读。其位置可能反映样本量有限或近期发表而非科学相关性的真实下降。第三,基于被引的指标受时间影响。较老的文献有更多机会积累被引,而近期高质量研究可能被低估。被引次数也可能反映方法的普遍流行性,而非其对骨转移的具体贡献。第四,2026年数据集仅覆盖1月1日至6月26日,因此不代表完整出版年份。尽管保留这些记录以捕捉近期进展,2026年的年度产出不应与完整日历年的发文量直接比较。最后,本分析描述了文献的结构和演进,但未直接评估个别AI模型的方法论质量、偏倚风险或临床性能。被引频率高或出版频繁的主题不一定有强临床证据支持。

5 结论

总之,骨转移中的人工智能研究在过去二十年中快速扩展,已从计算机辅助图像判读和定量骨骼评估演进到深度学习、放射组学、预后建模和新兴的基于语言的应用。影像仍是主导的研究基础,而近期研究日益强调患者层面预测、多模态信息整合和临床数据组织。尽管有这些进展,向常规临床实践的转化仍受数据异质性、外部验证不足、前瞻性证据有限以及真实世界临床获益不确定性的限制。因此,未来研究应优先考虑具有代表性的多中心数据集、严格透明的验证、前瞻性的基于工作流程的评估以及具有临床意义的终点。更集成的疾病特异性AI系统(可能结合语言模型和证据检索组件)可能代表长期研究方向,而非当前文献的既定轨迹。其临床价值需要通过严格验证、人工监督和在真实世界患者护理中证明的改善来确定。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号