人工智能在脊柱畸形领域研究热点的可视化分析

doi:10.12307/2024.640

中国组织工程研究 ›› 2024, Vol. 28 ›› Issue (30): 4915-4920.doi: 10.12307/2024.640

• 植入物相关大数据分析 Implant related big data analysis • 上一篇

人工智能在脊柱畸形领域研究热点的可视化分析

陶广义1，王琳梓1，杨彬2，黄俊卿2

1河南中医药大学骨伤学院，河南省郑州市 450000；2河南省中医院/河南中医药大学第二附属医院疼痛科，河南省郑州市 450000

收稿日期:2023-08-21 接受日期:2023-09-20 出版日期:2024-10-28 发布日期:2023-12-28
通讯作者: 黄俊卿，硕士生导师，主任医师，河南省中医院/河南中医药大学第二附属医院疼痛科，河南省郑州市 450000
作者简介:陶广义，男，1998年生，河南省郑州市人，汉族，河南中医药大学在读硕士，主要从事中医药防治脊柱和脊柱相关疾病的临床研究。
基金资助:
全国中医临床特色技术传承人才项目(国中医药人教函〔2019〕36号)，项目负责人：杨彬；河南省国家中医临床研究基地科研专项课题(2021JDZX2037)，项目负责人：黄俊卿；河南省体育课题研究项目(202320)：项目负责人：杨彬

Research hotspots of artificial intelligence in the field of spinal deformity: visual analysis

Tao Guangyi1, Wang Linzi1, Yang Bin2, Huang Junqing2

1College of Bone Injury, Henan University of Chinese Medicine, Zhengzhou 450000, Henan Province, China; 2Department of Pain, Henan Provincial Hospital of TCM/Second Affiliated Hospital of Henan University of Chinese Medicine, Zhengzhou 450000, Henan Province, China

Received:2023-08-21 Accepted:2023-09-20 Online:2024-10-28 Published:2023-12-28
Contact: Huang Junqing, Master’s supervisor, Chief physician, Department of Pain, Henan Provincial Hospital of TCM/Second Affiliated Hospital of Henan University of Chinese Medicine, Zhengzhou 450000, Henan Province, China
About author:Tao Guangyi, Master candidate, College of Bone Injury, Henan University of Chinese Medicine, Zhengzhou 450000, Henan Province, China
Supported by:
National TCM Clinical Characteristics Technology Inheritance Talent Project (National TCM Education Letter (2019) No. 36) (to YB); Research Project of Henan National Clinical Research Base of Traditional Chinese Medicine, No. 2021JDZX2037 (to HJQ); Henan Province Physical Education Research Project, No. 202320 (to YB)

摘要/Abstract

摘要：

文题释义：

人工智能：是一种能对复杂医学数据进行分析的计算机科学分支，具有感知、推理、归纳、总结及作出决定的能力。
脊柱畸形：是指脊柱冠状位、矢状位或横断位的屈曲超出了正常生理屈曲，呈现出病理性的脊柱形态，其发生不仅会影响身体平衡，造成脊椎与躯干之间的代偿，严重时还会引起心肺功能障碍，甚至对脊髓造成损伤。

背景：随着人工智能技术在治疗脊柱畸形领域的不断完善与进步，已有大量的研究投入到该领域当中，但主要研究现状、热点和发展趋势尚不明确。

目的：采用文献计量学的方法可视化分析人工智能在脊柱畸形领域的相关文献，明确该领域的研究热点和不足，为今后研究工作研究提供参考。
方法：在Web of Science核心集数据库检索建库至2023年收录的人工智能在脊柱畸形领域相关文献，通过Citespace 5.6.R5和VOSviewer 1.6.19软件对文献数据进行可视化分析。

结果与结论：①共纳入文献165篇，此领域年发文量呈波动上升趋势，发文量最多的作者是Lafage V，发文量最多的国家是中国。②关键词分析结果显示，青少年早发性脊柱侧弯、深度学习、分类、精度和机器人是该研究领域的主要高频关键词。③文献共被引和高被引文献深度分析结果显示，人工智能在脊柱畸形领域有3大热点，包括利用U型架构(深度学习卷积神经网络的一种成熟模式)来自动测量影像学参数(Cobb角、棘旁肌准确分割等)、多视图相关网络架构(即脊柱曲度评估框架)及机器人引导脊柱手术。④在人工智能治疗脊柱畸形领域，基因组学等机制研究十分薄弱，未来可利用无监督分层聚类等机器学习技术，运用全基因组关联分析等基因组学研究方法，来进行脊柱畸形领域的易感基因等基础机制研究。

https://orcid.org/0009-0005-0611-7300(陶广义)；https://orcid.org/0009-0000-2432-5991(黄俊卿)

中国组织工程研究杂志出版内容重点：人工关节；骨植入物；脊柱；骨折；内固定；数字化骨科；组织工程

关键词: 脊柱畸形, 人工智能, 卷积神经网络, 全基因组分析, Citespace, VOSviewer, 可视化, 文献计量学

Abstract: BACKGROUND: With the continuous improvement and progress of artificial intelligence technology in the treatment of spinal deformity, a large number of studies have been invested in this field, but the main research status, hot spots and development trends are still unclear.
OBJECTIVE: To visually analyze the literature related to artificial intelligence in the field of spinal deformities by using bibliometrics, identify the research hotspots and shortcomings in this field, and provide references for future research.
METHODS: The core database of Web of Science was used to search the articles related to artificial intelligence in the field of spinal deformities published from inception to 2023. The data were visually analyzed by Citespace 5.6.R5 and VOSviewer 1.6.19.
RESULTS AND CONCLUSION: (1) A total of 165 papers were included, and the number of papers published in this field showed a fluctuating upward trend. The author with the largest number of articles is Lafage V, and the country with the largest number of articles is China. (2) Keyword analysis results show that adolescent scoliosis, deep learning, classification, precision and robot are the main keywords. (3) The in-depth analysis results of co-cited and highly cited articles show that artificial intelligence has three hotspots in the field of spinal deformities, including the use of U-shaped architecture (a mature mode of deep learning convolutional neural networks) to automatically measure imaging parameters (Cobb angle and accurate segmentation of paraspinal muscles), multi-view correlation network architecture (i.e., spine curvature assessment framework), and robot-guided spinal surgery. (4) In the field of artificial intelligence treatment of spinal malformations, the mechanism research such as genomics is very weak. In the future, unsupervised hierarchical clustering and other machine learning techniques can be used to study the basic mechanism of susceptibility genes in the field of spinal deformities by genome-wide association analysis and other genomics research methods.

Key words: spinal deformity, artificial intelligence, convolutional neural network, whole genome analysis, Citespace, VOSviewer, visualization, bibliometrics

中图分类号:

陶广义, 王琳梓, 杨彬, 黄俊卿. 人工智能在脊柱畸形领域研究热点的可视化分析[J]. 中国组织工程研究, 2024, 28(30): 4915-4920.

Tao Guangyi, Wang Linzi, Yang Bin, Huang Junqing. Research hotspots of artificial intelligence in the field of spinal deformity: visual analysis[J]. Chinese Journal of Tissue Engineering Research, 2024, 28(30): 4915-4920.

图/表（结果） 14

2.1 文献检索结果总共检索到了268篇文章，按照纳排标准进行人工筛查，最终选出了183篇文章。经过阅读摘要和全文，剔除18篇，最终纳入165篇符合条件的文献，全部为研究原著类文章。
2.2 人工智能在治疗脊柱畸形领域文献发文趋势在2018年此领域仅发表7篇论文，在几年内论文数量出现显著增加。从整体上看，论文发表数量呈上升趋势，表明学者们在人工智能治疗脊柱畸形领域所做的尝试与探索逐渐增多，其研究价值被学界众多研究者所重视，见图1。

2.3 人工智能在脊柱畸形领域国家与作者之间的合著分析结果从表1和图2可以看出，近20年来国际上对利用人工智能技术进行脊柱畸形领域的研究热情高涨，其中以亚洲和北美的论文发表数量最多。但从整体上看，各国联系强度比较零散，说明国际合作仍需加强。

目前已有36个国家为人工智能技术在治疗脊柱畸形领域做出贡献。表1可见中国发表的文章数量最多，其次是美国、法国、意大利和加拿大。表2列出了5个最有成效的研究学者，其中发表文章数量最多的是Lafage V (5篇，3.03%)，其次是Bess S，Smith JS，Kim HJ (4篇，2.42%)，Ames C (3篇，1.82%)，其中Kim HJ来自韩国，其他4个作者均来自美国。

采用VOSviewer 1.6.19 软件通过对主要作者共现分析，得到了4个不同的颜色分组，代表着4个相关的研究团队，见图3。Lafage V
(Hospital for Special Surgery，USA)、Bess S(Denver Int Spine Ctr，USA)、Smith JS(Los Alamos National Laboratory，USA)和Kim HJ(Korea Institute of Science & Technology，KR)等作者在这一领域的研究最为活跃。

2.4 文献共被引与高被引文献深度分析结果
2.4.1 期刊共被引分析结果所有论文共发表于98种期刊之上。表3显示了排名前5的期刊被引量。《Spine》(被引657次)在人工智能与脊柱畸形领域被引量最多。图4显示，聚类的期刊以临床脊柱与关节方面的期刊为主，探索脊柱畸形的致病机制、症状、治疗之间的关系，深入探索人工智能运用在脊柱畸形领域的算法优化和神经网络分析，为临床诊疗提供更有力的技术支撑。

2.4.2 文献共被引分析结果对文献共被引展开深入分析，利用VOSviewer 1.6.19软件，对人工智能在脊柱畸形领域从2004-2023年共被引次数前10名的文献进行分析[8-17]，表4总结了人工智能在脊柱畸形领域前10位的共被引文献。这些文献都是这一领域的核心文献，它们的学术影响很大，某种程度上反映了这一领域的研究热点和前沿，是进行这一领域研究的重要参考。在被引数前10名的论文中，有2篇在《European Spine Journal》(期刊影响因子/JCR分区为2.8/Q1)杂志发表，而剩下的文章均发表在不同期刊。这些文章均发表于2015-2019年，排名前10位的共被引文献的发表年份，代表此领域处于快速发展阶段，研究热点新颖。

共被引频次最高的文献为HORNG等[8](2019，Comput Math Methods Med)，共被引频次为21次，发表时间为2019年，该文章提出了一个自动系统测量脊柱弯曲使用前后(AP)视图脊柱X射线图像，采用多种U型架构(深度学习卷积神经网络的一种成熟模式)对椎骨进行分割；最后将椎骨的分割结果重构为完整的分割后的脊柱图像，并根据Cobb角(评估脊柱侧弯的角度)准则计算脊柱曲率。此文章共被引频次最高且发表年份新，可以看出该卷积神经网络的自动化方法受到此领域诸多学者的认可。
共被引频次第5名的文献提出了一种基于变形U型架构脊柱旁肌肉自动测量系统，它的残差模块可以在保留图像细节的同时直接返回梯度，使模型更容易训练，使磁共振图像中棘旁肌能够更加准确地分割[12]。
共被引频次第2，4，6，7名的文献也是提出一种训练策略和框架，利用U型架构(U-net，深度学习卷积神经网络的一种成熟模式)来自动测量影像学参数(Cobb角、棘旁肌准确分割等等)，毫无疑问这是人工智能在脊柱畸形领域最大的研究热点。
共被引频次第3名的文献提出了多视图相关网络(Multi-View Correlation Network，MVC-Net)架构，该架构可以为多视图X射线片中的脊柱曲率估计提供全自动的端到端框架，使得网络能够通过利用两个视图的结构依赖性来缓解遮挡问题，为临床提供了有效的脊柱曲度评估框架[9， 11，13-14]。
共被引频次第8名的文献通过术前计算机断层扫描中的单个椎骨与术后电子计算机X射线片断层扫描技术融合来评估使用机器人引导的外科医生计划的可重复性，得出结论机器人引导可以高度准确地执行术前计划，从而实现准确的螺钉放置[15]。
共被引频次第9名的文献也关注于多视图相关网络(Multi-View Correlation Network，MVC-Net)架构，证明了MVC-Net在多视角X射线片中能提供准确的Cobb角度估计[16]。
共被引频次第10名的文献也开发了深度学习算法(但并非卷积神经网络)，用于使用赤裸背部图像自动筛查脊柱侧凸和Cobb角等[17]。
文章采用VOSviewer 1.6.19软件生成参考文献共被引图谱，见图5。共被引文献被分为3种颜色(3大聚类)，即人工智能在脊柱畸形领域的3大热点，包括利用U型架构(U-net，深度学习卷积神经网络的一种成熟模式)来自动测量影像学参数(Cobb角、棘旁肌准确分割等)、多视图相关网络(MVC-Net)架构(即脊柱曲度评估框架)、机器人引导脊柱手术。

2.4.3 高被引文献深度分析结果结合图6可知，文献共被引爆发研究共15篇文献，根据爆发时间分为2大的阶段：①第一阶段是2012-2016年，代表文献是KANTELHARDT等[18]于2011年发表，主要研究机器人引导和经皮椎弓根螺钉置入手术；②第二阶段是2019-2023年，代表文献是WU等[10]于2018年发表，主要研究多视图相关网络(Multi-View Extrapolation Net)架构在多视图X射线片中能够稳健准确地估计Cobb角度。对高共被引文献的年份进行分析，发现高共被引文献发表的时间位于2012-2021年。每个时间段都有相对应的研究热点，研究热点也随着时间发生改变。如在2012-2016时间段，机器人引导脊柱手术是其主要研究热点；而在2019-2023时间段，利用U型架构(U-net，深度学习卷积神经网络的一种成熟模式)来自动测量影像学参数、多视图相关网络(MVC-Net)架构(即脊柱曲度评估框架)是主要研究热点。

2.5 人工智能在脊柱畸形领域关键词分析结果
2.5.1 关键词共现分析通过对关键词共现分析，能够全面展示该领域的热点和趋势[19-20]。表5总结了人工智能在脊柱畸形领域最常用的10个关键词，其中Scoliosis(脊柱侧凸)、adolescent idiopathic scoliosis(青少年特发性脊柱侧凸)分别是频次和中心性最高的关键词，说明人工智能可以高精度辅助脊柱畸形领域的手术，重点对脊柱畸形的分类与分型进行了讨论和研究，客观、真实地反映了目前人工智能在脊柱畸形领域的现状与发展趋势。图7，8显示，青少年早发性脊柱侧弯 (adolescent idiopathic scoliosis)、深度学习(deep learning)、分类(classification)、脊柱(spine)及精度(accuracy)等关键词的出现频次最高，其他的核心词都比较分散，链接的强度也较低。

2.5.2 关键词爆发分析为了更清楚地了解并掌握全世界对于人工智能在脊柱畸形领域的研究进展，对数据展开爆发关键词分析，见图9。根据爆发时间分为3个大的阶段，第一阶段是2004-2012年，主要爆发词为bracing(支撑)；第二阶段是2012-2018年，主要爆发词有insertion(嵌入)、guidance(引导)等；第三阶段是2018-2023年，主要爆发词有robot(机器人)。

参考文献

[1] DJURASOVIC M, GLASSMAN SD. Correlation of radiographic and clinical findings in spinal deformities. Neurosurg Clin N Am. 2007;18(2):223-227.
[2] DIEBO BG, SHAH NV, BOACHIE-ADJEI O, et al. Adult spinal deformity. Lancet. 2019;394(10193):160-172.
[3] MACKEL CE, JADA A, SAMDANI AF, et al. A comprehensive review of the diagnosis and management of congenital scoliosis. Childs Nerv Syst. 2018; 34(11):2155-2171.
[4] DEVEZA LR, CHHABRA BN, HEYDEMANN J, et al. Comparison of baseline characteristics and postoperative complications in neuromuscular, syndromic and congenital scoliosis. J Pediatr Orthop B. 2023;32(4):350-356.
[5] 陆洋阳,徐纯鑫,陈岑,等.基于三维运动捕捉系统建立青少年特发性脊柱侧弯胸廓容积与腹腔容积模型[J].中国组织工程研究,2022,36(26): 5807-5811.
[6] RAMESH AN, KAMBHAMPATI C, MONSON JR, et al. Artificial intelligence in medicine. Ann R Coll Surg Engl. 2004;86(5):334-338.
[7] BHATTAD PB, JAIN V. Artificial intelligence in modern medicine - the evolving necessity of the present and role in transforming the future of medical care. Cureus. 2020;12(5):e8041.
[8] HORNG MH, KUOK CP, FU MJ, et al. Cobb angle measurement of spine from x-ray images using convolutional neural network. Comput Math Methods Med. 2019;2019:6357171.
[9] ZHANG Q, DU Y, WEI Z, et al. Spine medical image segmentation based on deep learning. J Healthc Eng. 2021;2021:1917946.
[10] WU H, BAILEY C, RASOULINEJAD P, et al. automated comprehensive adolescent idiopathic scoliosis assessment using mvc-net. med image anal. 2018;48:1-11.
[11] GALBUSERA F, NIEMEYER F, WILKE HJ, et al. Fully automated radiological analysis of spinal disorders and deformities: a deep learning approach. Eur Spine J. 2019;28(5):951-960.
[12] LI H, LUO H, LIU Y. Paraspinal muscle segmentation based on deep neural network. Sensors (Basel). 2019;19(12):2650.
[13] PAN Y, CHEN Q, CHEN T, et al. Evaluation of a computer-aided method for measuring the Cobb angle on chest X-rays. Eur Spine J. 2019;28(12): 3035-3043.
[14] ZHANG J, LI H, LV L, et al. Computer-aided cobb measurement based on automatic detection of vertebral slopes using deep neural network. Int J Biomed Imaging. 2017;2017:9083916.
[15] VAN DIJK JD, VAN DEN ENDE RP, STRAMIGIOLI S, et al. Clinical pedicle screw accuracy and deviation from planning in robot-guided spine surgery: robot-guided pedicle screw accuracy. Spine (Phila Pa 1976). 2015; 40(17):E986-E991.
[16] WANG L, XU Q, LEUNG S, et al. Accurate automated Cobb angles estimation using multi-view extrapolation net. Med Image Anal. 2019;58:101542.
[17] YANG J, ZHANG K, FAN H, et al. Development and validation of deep learning algorithms for scoliosis screening using back images. Commun Biol. 2019;2:390.
[18] KANTELHARDT SR, MARTINEZ R, BAERWINKEL S, et al. Perioperative course and accuracy of screw positioning in conventional, open robotic-guided and percutaneous robotic-guided, pedicle screw placement. Eur Spine J. 2011;20(6):860-868.
[19] 魏锦强,黄登承,曹学伟,等.中医药治疗软骨疾病近20年文献知识图谱分析[J].中国组织工程研究,2021,25(20):3202-3209.
[20] 叶慧,许悦,章雨桐,等.运动疗法在绝经后骨质疏松症中应用的可视化文献计量分析[J].中国骨质疏松杂志,2022,28(2):255-261, 268.
[21] ANWAR SM, MAJID M, QAYYUM A, et al. Medical image analysis using convolutional neural networks: a review. J Med Syst. 2018;42(11):226.
[22] FALK T, MAI D, BENSCH R, et al. U-Net: deep learning for cell counting, detection, and morphometry. Nat Methods. 2019;16(1):67-70.
[23] ALOM MZ, YAKOPCIC C, HASAN M, et al. Recurrent residual U-Net for medical image segmentation. J Med Imaging (Bellingham). 2019;6(1): 014006.
[24] ZHU G, LUO X, YANG T, et al. Deep learning-based recognition and segmentation of intracranial aneurysms under small sample size. Front Physiol. 2022;13:1084202.
[25] HAN B, WEI Y, WANG Q, et al. Dual adaptive learning multi-task multi-view for graph network representation learning. Neural Netw. 2023;162:297-308.
[26] WANG S, CHEN Z, DU S, et al. Learning deep sparse regularizers with applications to multi-view clustering and semi-supervised classification. IEEE Trans Pattern Anal Mach Intell. 2022;44(9):5042-5055.
[27] ZIRAKI N, DORNAIKA F, BOSAGHZADEH A. Multiple-view flexible semi-supervised classification through consistent graph construction and label propagation. Neural Netw. 2022;146:174-180.
[28] PERFETTI DC, KISINDE S, ROGERS-LAVANNE MP, et al. Robotic spine surgery: past, present, and future. Spine (Phila Pa 1976). 2022;47(13):909-921.
[29] ZHANG Q, HAN XG, XU YF, et al. Robotic navigation during spine surgery. Expert Rev Med Devices. 2020;17(1):27-32.
[30] 周立金,程云忠,海涌,等.全基因组关联分析在青少年特发性脊柱侧凸病因学研究中的进展[J].中国脊柱脊髓杂志,2022,32(3):269-273.
[31] MAKKI N, ZHAO J, LIU Z, et al. Genomic characterization of the adolescent idiopathic scoliosis-associated transcriptome and regulome. Hum Mol Genet. 2021;29(22):3606
[32] BARLOW DP, BARTOLOMEI MS. Genomic imprinting in mammals. Cold Spring Harb Perspect Biol. 2014;6(2):a018382.
[33] KHANSHOUR AM, KOU I, FAN Y, et al. Genome-wide meta-analysis and replication studies in multiple ethnicities identify novel adolescent idiopathic scoliosis susceptibility loci. Hum Mol Genet. 2018;27(22):3986-3998.
[34] KIMES PK, LIU Y, NEIL HAYES D, et al. Statistical significance for hierarchical clustering. Biometrics. 2017;73(3):811-821.
[35] PANG X, CAO J, CHEN S, et al. Unsupervised clustering reveals distinct subtypes of biliary atresia based on immune cell types and gene expression. Front Immunol. 2021;12:720841.
[36] KARIM MR, BEYAN O, ZAPPA A, et al. Deep learning-based clustering approaches for bioinformatics. Brief Bioinform. 2021;22(1):393-415.

引言

材料方法

1.1 数据来源与检索策略采用Web of Science核心集数据库来进行文献检索，该数据库是全球领先的收录被引及相关学术影响的平台，能提供最有影响力、最权威的文献。文献的检索时间为建库至 2023-09-10。Web of Science数据库检索式：(TS=(artificial intelligence OR AI OR deep learning OR intelligent OR robot)) AND TS=(scoliosis OR Spinal deformity)。
文献类型为 Article，语言为English。
检索工作由2位研究者独立进行，分别对首次筛选和第二次筛选中发现的所有文献进行评估。对2人的评分结果进行交叉比较，如果一致，则采用该评分；如果有分歧，两人再进行商议，直至达成共识。
1.2 入组标准
1.2.1 纳入标准符合人工智能在脊柱畸形研究领域应用的文献。
1.2.2 排除标准 ①重复发表的文献；②检索词与“人工智能”“脊柱畸形”等无关的文献(如气道充气、前部器械等缩写为人工智能但与主题无关的文献)；③题录不完整的文献。
1.3 文献质量评估将Web of Science核心集数据库中检索到的文献，以“全记录与引用的参考文献”“纯文本格式”导出后，将其命名为“download_x.txt”，导入到CiteSpace 5.6.R5软件中去重，同时将全部的数据输入到Excel 2019软件中备用。
1.4 软件参数设置在Citespace软件中分别选择country、reference、keyword，时间跨度选择2004年至2023年(检索结果显示最早发表文献为2004年)，时间切片为1年，Top N=50，生成国家合作分析、关键词爆发和高被引文献深度分析等知识图谱，修剪方式为Pathfinder、Pruning sliced networks和 Pruning the merged network，其他设置保持默认；在VOSviewer软件中选择“Authors”“All keywords”“Cited references”“Cite sources”绘制作者分析、共被引期刊分析、文献共被引分析和关键词共现分析等知识图谱。
1.5 主要观察指标文章主要检索Web of Science核心集数据库建库至2023-09-10全球人工智能在脊柱畸形领域的发表论文数量、5位顶尖生产力作者、顶尖期刊、被引用前10位的文章以及此领域基础研究的文章，以及采用Citespace 5.6.R5软件(https://citespace.podia.com/) 和 VOS viewer 1.6.19软件(https://www.vosviewer.com/) 对信息进行量化，对所有研究进行发文量、中心性、文献、国家、作者及期刊的贡献的参数评估，通过文献共被引、高被引文献和文献关键词爆发等分析来进行热点与不足的探究。

讨论

文献计量学是一门跨学科的研究，它运用数理统计的手段，对知识进行定量分析。最近几年，人工智能的研究有了长足的进步。文章首次对人工智能在脊柱畸形领域中的总体生产率和相关性进行了评价。采用Citespace 5.6和VOSviewer 1.6.19软件对Web of Science 核心集数据库中人工智能在脊柱畸形领域的文献展开可视化分析，以直观的方式呈将该领域的研究现状、热点与不足展现出来，为众多研究者提供研究方法和思路。
3.1 人工智能在脊柱畸形领域的研究现状从合作网络分析可以看出，中国的论文产出是世界最高，中介中心度也最高，这表明它与世界其他国家和地区的合作密切。美国论文发表数量位居第二，其中介中心度也高于其他国家，这表明它有着紧密的国际交流与合作，有很大的全球影响力。在国际学术交流中，作者和机构间的联系度还比较薄弱，未来需要进一步加强国际学术交流。
3.2 人工智能在脊柱畸形领域的热点分析从文献共被引和高被引文献深度分析结果可知，人工智能在脊柱畸形领域有3大热点，包括利用U型架构(U-net，深度学习卷积神经网络的一种成熟模式)来自动测量影像学参数(Cobb角、棘旁肌准确分割等)、多视图相关网络(MVC-Net)架构(即脊柱曲度评估框架)及机器人引导脊柱手术。
利用U型架构来自动测量影像学参数是人工智能在脊柱畸形领域的最大热点。卷积神经网络作为一种深度学习方法被广泛应用于视觉图像分析，通过对输入的图像信息进行逐层的特征提取来实现对特征的自动学习[21]。而U型架构是一个基于卷积神经网络的端到端图像分割模型，其主要特点是其对称的编码-解码器结构，包括三维U型架构(3DU-net)、密集U型架构(Dense U-net)和注意U型架构(Attention U-net)等，被广泛应用于医学图像分析，包括分割、疾病分类、计算机辅助诊断等应用领域[22-23]。如被引用频率最高的论文HORNG[8](2019，COMPUT MATH METHOD M)，应用多种U型架构如U-net、密集U-net和残差U-net等，发现残差U-Net的分割结果优于其他两个卷积神经网络。但随着人工智能技术的不断发展，不同领域的基于卷积神经网络的U型架构也在不断更新。ZHU等[24]评估了三维(3D)分段专用架构用于颅内动脉瘤识别与分割，其中3D残差U型结构在相对较小的样本量下表现出更好的整体分割性能。作者认为，人工智能治疗脊柱畸形领域的文献聚焦于单一且基础的U型架构等卷积神经网络，脊柱畸形领域拥有丰富的影像学图像，可为卷积神经网络、U型架构等人工智能的训练提供大量数据。未来此领域的人工智能技术应向计算成本更低、分割性能更好的轻量级U型分割网络发展，为临床脊柱畸形的影像学参数和疾病分类诊断等做出卓越贡献。
人工智能在脊柱畸形领域的第二个热点是多视图相关网络(Multi-View Correlation Network，MVC-Net)架构，其可通过不同视点拍摄的图像，恢复出真实的三维场景[25]。被引用频率第3名的论文WU[10](2018，Med Image Anal)中，MVC-Net解决了前后位和侧位X射线视图中椎骨被胸腔遮挡的问题，利用地标和角度估计之间的多任务关系来可靠地检测所有需要的椎骨，以准确估计Cobb角。但多视图相关网络(MVC-Net)架构过于繁琐，不能全面体现人工智能的高效与便捷，而半监督多视图深度学习是近年来研究的热点，它能够利用来自未标记多视图数据的补充信息，来取得更优异的图像聚类功能[26-27]。作者认为，半监督多视图深度学习和半监督多视图二进制学习将是人工智能在脊柱畸形领域的发展方向。
机器人辅助已被广泛用于脊柱手术中，由于其放置胸腰椎弓根螺钉安全准确，减少了外科医生和手术团队的辐射暴露[28]，但也存在许多缺陷，如与徒手技术相比，手术时间更长、学习曲线更长以及花费资本更高[29]。作者认为，提高机器人辅助脊柱手术的准确性，需要技术进步和高质量的研究，人工智能技术、减压功能及更高精度是机器人辅助脊柱手术的发展方向。
3.3 人工智能在脊柱侧凸领域的关键词分析对关键词共现、聚类分析可知，去除与检索词相近的关键词后，主要关键词为青少年特发性脊柱侧凸、cobb角、椎弓根螺钉，这些关键词表明了此领域的核心研究内容，深入探索了基于人工智能技术的脊柱侧凸分型及手术方法。周立金等[30]系统地论述了青少年特发性脊柱侧凸病的病因学研究中的全基因组关联分析，为青少年特发性脊柱侧凸病的病因研究提供了一种新的思路，也为后续的深入研究奠定了基础。通过对关键词爆发和时间线分析，预测模型、神经网络是近2年的发展方向之一。作者认为，人工智能在脊柱侧凸领域的应用较新颖，具有爆发词多、持续时间长的特点，说明此领域仍处于快速发展阶段。因此，通过人工智能来为影像学提供更精确的测量与诊断，以及为基因机制研究提供数据支撑，从而为脊柱侧凸临床治疗提供新思路和新办法，是此领域的研究重点和研究趋势。
3.4 该研究领域的不足与建议基因相关学说近年来一直是脊柱畸形领域的研究热点[31]。全基因组关联分析是基因组学的主要研究方法[32]，如KHANSHOUR等[33]通过对7 956例青少年特发性脊柱侧弯病例标本的荟萃分析，鉴定出3个与SOX6，CDHl3和ABO相邻的易感点，分别是rs1455114、rs4513093和rs687621，探讨了青少年特发性脊柱侧弯的基因构成，重申椎体软骨发育对其发病机制的重要影响。
但在人工智能治疗脊柱畸形领域，基因组学等机制研究十分薄弱。而无监督分层聚类是一种机器学习技术，它可以将个体划分为不同的具有临床意义的亚组[34]。其被广泛用于生物信息学中[35-36]，可根据不同类基因表达量对样本进行分组，深入了解基因组学水平的生物过程。作者认为可利用无监督分层聚类等多种机器学习技术，运用全基因组关联分析等基因组学研究方法，来进行脊柱畸形领域的易感基因等基础机制研究。
3.5 文章的局限与展望文章也存在一定的局限性。首先，文章的数据仅来自于Web of Science 核心集数据库，没有包含PubMed、Embase、Scopus以及其他数据库，而且只对研究类文章展开分析，可能遗漏部分相关研究。然而，Web of Science数据库作为最常用和最适合的文献计量学分析平台，通过对相关文献的限定，使评价更为精确。所以，文章所获得的数据已足够全面的反应出国内外关于人工智能在脊柱畸形领域的研究状况。其次，因为资料库持续更新，一些最新出版的高水平论文可能被低估，但即便如此，文章所得到的结论也具有较高的参考价值，将为人工智能诊断和治疗脊柱畸形带来新的突破。人工智能在脊柱畸形领域的实施是一场有前途的革命，在不久的将来，它将在脊柱畸形临床实践的各个方面为临床医生与科研工作者提供巨大的帮助。中国组织工程研究杂志出版内容重点：人工关节；骨植入物；脊柱；骨折；内固定；数字化骨科；组织工程

人工智能在脊柱畸形领域研究热点的可视化分析

Research hotspots of artificial intelligence in the field of spinal deformity: visual analysis

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表（结果） 14

参考文献

相关文章 15

引言

材料方法

讨论

文章快阅

延伸阅读

编辑推荐

Metrics

本文评价

[1]	闵美鹏, 吴进, URBA RAFI, 张文杰, 高嘉, 王云华, 何斌, 范磊. 全髋关节置换前人工智能(AI)规划的作用与意义[J]. 中国组织工程研究, 2024, 28(9): 1372-1377.
[2]	余伟杰, 刘爱峰, 陈继鑫, 郭天赐, 贾易臻, 冯汇川, 杨家麟. 机器学习在腰椎间盘突出症诊治中的优势和应用策略[J]. 中国组织工程研究, 2024, 28(9): 1426-1435.
[3]	徐灿丽, 何文星, 汪磊, 吴芳婷, 王佳慧, 段雪琳, 赵铁建, 赵斌, 郑洋. 肝脏类器官研究的文献计量学分析[J]. 中国组织工程研究, 2024, 28(7): 1099-1104.
[4]	孙宇康, 宋丽娟, 温春丽, 丁智斌, 田昊, 马东, 马存根, 翟晓艳. 基于Web of Science近十年干细胞治疗心肌梗死的可视化分析[J]. 中国组织工程研究, 2024, 28(7): 1143-1148.
[5]	靳宜楷, 马占华, 付苏, 严旭, 张春霖. 颈椎中立位核磁共振检查对突出颈椎间盘体积及颈椎曲度的影响[J]. 中国组织工程研究, 2024, 28(30): 4860-4865.
[6]	王若宇, 张志峰, 黄健. 机器人辅助全膝关节置换技术的应用与前景[J]. 中国组织工程研究, 2024, 28(30): 4889-4895.
[7]	李磊, 潘其乐, 蔡广, 李志朋. 人工智能与专家Greulich-Pyle图谱法骨龄评估的一致性比较[J]. 中国组织工程研究, 2024, 28(28): 4436-4440.
[8]	段彦哲, 滑键林, 丁智斌, 江楠, 宋丽娟, 闫玉清, 马存根. 细胞凋亡在缺血性脑卒中过程中作用的可视化分析[J]. 中国组织工程研究, 2024, 28(26): 4145-4150.
[9]	夏天晴, 戎梦玮, 但存燕, 杨婷, 丁智斌, 宋丽娟, 马存根. 缺血性脑卒中与血管再生的前沿热点分析[J]. 中国组织工程研究, 2024, 28(23): 3692-3698.
[10]	朱培坤, 白金柱. 青少年特发性脊柱侧弯矫形器分类比较与数字智能技术的应用进展[J]. 中国组织工程研究, 2024, 28(21): 3418-3423.
[11]	侯召猛, 苏少亭, 陈龙豪, 韦贵康, 周红海. 青少年特发性脊柱侧凸研究热点及趋势的可视化分析[J]. 中国组织工程研究, 2024, 28(21): 3424-3430.
[12]	刘宇航, 孙瑞芬, 木日根吉雅, 王星, 李志军, 刘亚楠, 郝韵腾, 蔡永强, 张少杰, 李琨. 三维数字儿童蒙医针刺穴位可视化系统的研发[J]. 中国组织工程研究, 2024, 28(20): 3223-3228.
[13]	谢恩礼, 陶慧敏. 血流限制训练在临床康复医学中的应用趋势[J]. 中国组织工程研究, 2024, 28(2): 258-262.
[14]	葛昊, 刘贤旺, 黄艺伟, 叶鹏程, 樊粤光, 曾建春. 后交叉韧带重建的国际研究趋势与热点分析[J]. 中国组织工程研究, 2024, 28(18): 2947-2952.
[15]	方源, 康志杰, 王海燕, 李筱贺, 张凯. 骨组织工程中促血管支架应用的可视化分析[J]. 中国组织工程研究, 2024, 28(17): 2708-2715.