基于Citespace对人工智能在骨创伤研究的可视化分析

doi:10.12307/2025.129

中国组织工程研究 ›› 2025, Vol. 29 ›› Issue (3): 493-502.doi: 10.12307/2025.129

• 骨科植入物 orthopedic implant • 上一篇下一篇

基于Citespace对人工智能在骨创伤研究的可视化分析

宋浩然1，2，张玉强1，2，谷娜3，智晓东1，2，王伟1，2

锦州医科大学附属第一医院，1骨科，3放射科，辽宁省锦州市 121000；2锦州医科大学骨外科学研究所，辽宁省锦州市 121000

收稿日期:2023-11-27 接受日期:2024-01-05 出版日期:2025-01-28 发布日期:2024-06-03
通讯作者: 王伟，博士，主任医师，教授，锦州医科大学附属第一医院骨科，辽宁省锦州市 121000；锦州医科大学骨外科学研究所，辽宁省锦州市 121000
作者简介:宋浩然，男，1997年生，黑龙江省大庆市人，汉族，锦州医科大学在读硕士，主要从事人工智能与骨损伤相关研究。
基金资助:
锦州医科大学校企合作基金项目(2020002)，项目负责人：王伟；锦州医科大学大学生创新创业训练计划项目(X202210160044)，项目
负责人：张玉强；锦州市指导性科技计划项目(JZ2023B090)，项目负责人：张玉强；锦州医科大学横向课题项目(FSHX202403)，项目负责人：王伟

Visualization analysis of artificial intelligence in bone trauma research based on Citespace

Song Haoran1, 2, Zhang Yuqiang1, 2, Gu Na3, Zhi Xiaodong1, 2, Wang Wei1, 2

1Department of Orthopedics, 3Department of Radiology, First Affiliated Hospital of Jinzhou Medical University, Jinzhou 121000, Liaoning Province, China; 2Institute of Osteology, Jinzhou Medical University, Jinzhou 121000, Liaoning Province, China

Received:2023-11-27 Accepted:2024-01-05 Online:2025-01-28 Published:2024-06-03
Contact: Wang Wei, MD, Chief physician, Professor, Department of Orthopedics, First Affiliated Hospital of Jinzhou Medical University, Jinzhou 121000, Liaoning Province, China; Institute of Osteology, Jinzhou Medical University, Jinzhou 121000, Liaoning Province, China
About author:Song Haoran, Master candidate, Department of Orthopedics, First Affiliated Hospital of Jinzhou Medical University, Jinzhou 121000, Liaoning Province, China; Institute of Osteology, Jinzhou Medical University, Jinzhou 121000, Liaoning Province, China
Supported by:
Jinzhou Medical University School-Enterprise Cooperation Fund Project, No. 2020002 (to WW); Innovation and Entrepreneurship Training Program for College Students at Jinzhou Medical University, No. X202210160044 (to ZYQ); Jinzhou Guiding Science and Technology Plan Project, No. JZ2023B090 (to ZYQ); Horizontal Project of Jinzhou Medical University, No. FSHX202403 (to WW)

摘要/Abstract

摘要：

文题释义：

Citespace：译名为“引文空间”，是由美国华裔科学家陈超美博士开发，用于可视化和分析科学文献的软件工具。Citespace基于文献的引用关系构建一个科学知识的网络，并通过可视化的手段来科学地呈现某个领域文献数据的结构、规律和分布情况，帮助研究人员更好地理清学科领域的知识架构、研究热点及发展趋势，为今后研究工作提供有价值的参考和指导。
骨创伤：是指骨骼系统受到外力作用或其他因素引起的损伤或破坏。它可以包括骨折、骨裂、骨撕裂及骨压迫性损伤等。骨创伤通常会导致疼痛、肿胀及活动受限等症状，并可能引起骨折、骨不连及骨感染等并发症。

摘要
背景：人工智能在医疗领域的发展日益迅速，在骨创伤领域的应用研究不断增多。文章旨在通过文献计量学分析，分析近年来人工智能在骨创伤领域中的研究热点，并预测未来的研究趋势。
目的：总结人工智能技术在骨创伤领域的应用发展历程、研究现状、热点和未来发展趋势，以期为今后的研究提供新的见解。
方法：选择Web of Science 核心集数据库中，时间跨度设为自建库至2023年8月，检索人工智能、机器学习、深度学习应用于骨创伤相关的文献420篇。通过人工筛选，导出与文章相关的文献共202篇，采用Citespace软件进行国家、机构、被引期刊和引文分析等的合作和关键词的共现等可视化分析。
结果与结论：①分析筛选后纳入的202篇文献，总体发文量呈上升趋势，且在未来研究潜力巨大。研究中心性最高和发文量排名第一的国家均为美国。加州大学(美国)是发文量最多的研究机构。②人工智能在骨创伤研究中最常用的前5个关键词是深度学习、人工智能、骨密度、机器学习、诊断，中心性最高的关键词为骨密度，关键词数量最多的为深度学习。③共被引频次前10位的参考文献分别从多个方面介绍了人工智能技术应用于骨创伤领域诊断的可行性研究，其中8篇涉及骨关节损伤与深卷积神经网络，1篇涉及深度学习在CT检查中检测骨质疏松从而预防脆性骨折，1篇通过人工智能识别皮肤纹理变的特征应用于骨的特征性识别的相关性研究。④今后，人工智能的研究热点将主要集中在骨关节创伤和骨质疏松引发的骨折特异性研究上，未来研究趋势主要集中在提升人工智能算法的性能上，使用人工智能新技术对骨损伤进行精准划分和快速高效诊断，尤其是针对复杂和隐匿性骨折的诊断，通过建立有限元分析模型，实现对骨创伤的更加标准化评估。

https://orcid.org/0000-0003-2572-5975 (王伟)

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: 人工智能, 骨创伤, 骨折, 机器学习, 深度学习, 文献计量学, Web of Science, 影像诊断, Citespace, 可视化分析

Abstract: BACKGROUND: The development of artificial intelligence in the medical field is rapidly advancing, with increasing research on its applications in the field of bone trauma. Through bibliometric analysis, this paper analyzed the research hotspots of artificial intelligence in the field of bone trauma in recent years, and predicted the future research trend.
OBJECTIVE: To summarize the development history, research status, hot spots, and future development trends of artificial intelligence technology in the field of bone trauma to provide new insights for future research.
METHODS: This study selected relevant literature from the Web of Science core database, covering the period from the inception to August 2023, and retrieved 420 articles related to the application of artificial intelligence, machine learning, and deep learning in the field of bone trauma. After manual screening, 202 articles related to this article were exported, and Citespace software was used for visual analysis of cooperation of countries, institutions, cited journals, citation analysis, keyword co-occurrence, and other aspects.
RESULTS AND CONCLUSION: (1) The overall number of publications from the 202 selected articles showed an upward trend, indicating significant research potential for future studies. The country with the highest centrality and the highest publication volume was the United States. The University of California (USA) was the most prolific research institution. (2) The top five most commonly used keywords in bone trauma research using artificial intelligence were deep learning, artificial intelligence, bone density, machine learning, and diagnosis. The keyword with the highest centrality was bone density, and the keyword with the highest frequency was deep learning. (3) The top 10 most cited reference papers provided comprehensive insights into the feasibility of applying artificial intelligence techniques to the diagnosis of bone trauma from various perspectives. Among them, eight papers focused on bone and joint injuries and deep convolutional neural networks. One paper discussed the use of deep learning in detecting osteoporosis in CT scans to prevent fragility fractures, while another paper explored the correlation between the application of artificial intelligence in identifying changes in skin texture and the recognition of bone characteristics. (4) In the future, the research hotspots of artificial intelligence will mainly focus on the specific study of fractures caused by bone and joint trauma and osteoporosis. The research trend mainly focuses on improving the performance of artificial intelligence algorithms, using new artificial intelligence technologies to accurately classify and quickly and efficiently diagnose bone injuries, especially for the diagnosis of complex and hidden fractures. By establishing finite element analysis models, more standardized evaluations of bone injuries can be achieved.

Key words: artificial intelligence, bone trauma, fractures, machine learning, deep learning, bibliometrics, Web of Science, imaging diagnosis, Citespace, visualization analysis

中图分类号:

宋浩然, 张玉强, 谷娜, 智晓东, 王伟. 基于Citespace对人工智能在骨创伤研究的可视化分析[J]. 中国组织工程研究, 2025, 29(3): 493-502.

Song Haoran, Zhang Yuqiang, Gu Na, Zhi Xiaodong, Wang Wei. Visualization analysis of artificial intelligence in bone trauma research based on Citespace[J]. Chinese Journal of Tissue Engineering Research, 2025, 29(3): 493-502.

图/表（结果） 9

2.1 年度出版物的发展趋势 符合纳入标准的202篇文献中，包含189篇文章和13篇评论。因年度发表的研究数量反映文章领域的总体发展趋势，鉴于投稿时2023年的数据尚未完整，无法反映当年的整体出版情况，因此，此分析仅包括2009-2022年的文献。图1所示的年度发文量及增长趋势，表明自2009年起人工智能在骨科应用领域的研究发表量呈现逐年上升趋势，利用人工智能辅助骨创伤的诊断目前已成为研究热点，与2009-2019年发文相比，2020-2022年发文总量呈现爆发式增长。为进一步了解这一领域的年度出版趋势，通过绘制发文时期出版趋势线，获得指数函数Y=4.492 3X-19.264(R2=0.567，Y为年度出版物，X为年份)，显然，人工智能在骨创伤中的应用具有巨大的潜力，相关研究将继续深入
研究。
2.2 国家和机构分布情况 文章使用Citespace对国家(或地区)和机构进行共引分析。国家或地区分布图由33个节点和52个链接组成。如图2和表1所示，发文量最多的国家是美国(59篇)，其次是中国(47篇)，是其他国家或地区的三四倍。排名前5位的国家是美国(59篇)、中国(47篇)、德国(20篇)、法国(17篇)、韩国(17篇)。对节点的分析表明，美国、德国和印度具有很高的中心性，它们与其他国家和中国的联系更多，韩国研究中心性为0，表明韩国进行独立研究，未与其他国家产生联系。

机构分布图由195个节点和303条连线组成。如图3和表2所示，排名前5位的多产院校或机构是：加州大学(美国)、加州大学旧金山分校(美国)、慕尼黑工业大学(德国)、巴黎公共援助医院(法国)及法国大学研究联盟(法国)。中心度> 0.1的节点表示关键作用较好。从图表中看出各机构合作存在着明显的地域性，加州大学旧金山分校(美国)、巴黎公共援助医院(法国)、N8大学联盟(英国)及法国大学研究联盟(法国)具有较高的中心性和发表性。

2.3 合作作者分析 由图4可见，共有235名作者参与了合作地图，共产生475条连接，从事人工智能应用于骨创伤研究的研究者之间的合作联系较少且比较分散。托马斯·鲍勃是发表文献最多的作者，在排名前10位的作者中，文章发现了两个主要的合作网络，他们是托马斯·鲍勃(德国慕尼黑大学系统)和卡巴利多·加米奥(美国加州大学系统)。

2.4 关键词、突发值、聚类和时间演变分析 文章的高频关键词可以帮助读者直观快速地了解该领域的主要研究热点。用Citespcace软件进行关键词共现分析。关键词共现网络共有265个节点和404个链接，见图5。表3列出了高频关键词。前20个关键词如下：深度学习、人工智能、骨密度、机器学习、诊断、分类、风险、骨质疏松、卷积神经网络、髋部骨折、绝经后妇女、骨折风险、计算机断层扫描、骨折、神经网络、女性、预测、CT、椎体骨折和增强。从这些关键词中，发现主要的研究方法是人工智能、深度学习和机器学习、神经网络和卷积神经网络；主要研究任务是诊断、分类和预测。主要研究内容为医学图像，主要研究对象为骨折、骨质疏松、髋部损伤及椎体骨折等。综上所述，利用人工智能技术通过医学图像对各种类型的骨折和进行分类、诊断和风险预测是目前的主要研究热点。
关键词聚类可以呈现相关研究领域的结构体系。图6显示了通过CitesSpace软件生成的12个不同的集群：#0机器学习、#1磁共振成像、#2目标检测、#3死亡率、#4骨折、#5脊柱骨折、#6机械性能、#7有限元分析、#8分割、#9密度测定、#10创伤、#11卷积神经网络，聚类的序数按聚类大小排列，序数越小，聚类越大[9]。人工智能应用于骨创伤研究的热点，根据关键词共现与聚类图谱分析结果归纳可知，人工智能在骨创伤领域的研究主要围绕人工智能算法技术以及识别骨创伤诊断展开。
关键词是对论文的核心概括，而强突发关键词是在一段时间内具有较高的突发值，通过对关键词进行突发性探测可以明确某一时间段内的研究重点与热点，从而判断研究的发展动向与前沿研究[21]。运用Citespace软件的“Burst”功能对关键词进行突发性探测得到20个突显词，见图7，主要分为3个阶段，其中第一阶段为2009-2013年，突发性关键词是支持向量机和骨小梁，说明人工智能计算机科学已经应用于骨科识别领域，支持向量机技术对骨小梁的识别进行初步探究。第二阶段为2013-2018年，突发性关键词是机器学习、骨质疏松、特征选择、骨强度、皮质骨和松质骨，机器学习最早应用在骨科方面是在识别预防骨质疏松。CABITZA等[22]对机器学习在骨科领域的应用进行系统梳理，总结机器学习在骨科领域的研究和应用情况，在骨科领域，机器学习技术已经被广泛应用于各种任务，包括疾病预测、诊断、手术规划和治疗。第3阶段为2018-2022年，突发性关键词是皮质骨及松质骨，通过特征性选择对皮质骨及松质骨进行识别，卷积神经网络、有限元分析和骨密度，由此说明当前人工智能选用深度学习卷积神经网络来构建模型，优化卷积神经网络性能和有限元性分析是当下研究的热点也是今后的研究趋势。

使用Citesapce绘制关键词的Timeline时间线图，这可能有助于从时间维度可视化阶段性热点和方向，见图8。通过Timeline可以直观地反映出研究领域的历史轨迹，揭示出各个研究方向之间的时间关系。人工智能应用于骨创伤领域的研究自2009开始，在支持向量机和机器学习的技术基础上，逐步对骨折、骨质疏松等的研究开始深入，医工结合研究热度一直持续至今。从图中不难发现，2015年前研究方向主要是机器学习检测骨质疏松和骨小梁的改变，2018年出现卷积神经网络，在机器学习的基础上继续优化，出现了深度学习概念，由于骨质疏松症通常发生在老年或绝经后女性，通常是因为骨折而被发现，因此筛查骨质疏松症可能有助于预防许多患者的骨质疏松性骨折，深度学习的出现有助于更加准确地预测骨质疏松症和可能的骨折风险。2022年人工智能在骨创伤领域出现研究高峰，图像分割、有限元性分析、卷积神经网络等关键词频繁出现。
2.5 被引文献分析 人工智能在骨创伤领域研究被引频次前10的文章见表4。共被引排名前10的参考文献分别从多个方面介绍了人工智能技术应用于骨创伤领域诊断的可行性的研究，其中8篇涉及骨关节损伤与深卷积神经网络，1篇涉及深度学习在CT检查中检测骨质疏松从而预防脆性骨折，1篇通过人工智能识别皮肤纹理变的特征应用于骨的特征性识别的相关性研究。
被引频次最高的文章(41次)是LINDSEY等[23]在2018年发表在《美国国家科学院院刊》的论文。骨折是常见的临床问题，但在诊断过程中存在一定的挑战，传统的骨折检测方法主要依赖于医生的经验和人工观察，这可能导致漏诊或误诊的情况，因此，研究人员尝试利用深度神经网络来改善骨折的检测和诊断。研究中使用了大量的骨折图像数据集来训练深度神经网络模型，经过训练，模型能够学习骨折的特征和模式，并能够准确地识别和定位骨折部位，研究结果表明，与传统的骨折检测方法相比，深度神经网络具有更高的准确性和敏感性。这项研究的结果对于改进骨折的诊断和治疗具有重要意义。通过使用深度神经网络，临床医生可以更准确地检测和诊断骨折，从而提高患者的治疗效果和康复速度，需要注意的是，该研究仍处于实验阶段，并需要进一步的验证和应用。然而，深度神经网络在医学图像诊断领域的潜力已经得到初步的证实，未来有望在临床实践中得到更广泛的应用，研究深度学习神经网络对骨折的检查的方法。
在2018年，KIM等[24]在《临床放射学》杂志上发表的论文，讨论在骨折检测中深度卷积神经网络的迁移学习方法的应用，研究中使用了一个大型的深度卷积神经网络模型作为基础模型，并通过迁移学习的方法将其应用于骨折检测任务，通过在大规模的骨折图像数据集上进行训练和微调，研究人员成功地将深度卷积神经网络应用于骨折的自动检测，与传统的骨折检测方法相比，该方法能够更快速、准确地识别和定位骨折。迁移学习技术在医学成像中具有许多潜在的应用价值，可以为人工智能模型的学习提供新方法。
在2018年，CHUNG等[25]在《Bone》上发表的文章具有最高的被引文献中心性(0.29)，通过使用深度学习算法自动检测肩部正位平片和分类不同类型的近端肱骨骨折，研究结果表明，深度学习算法在近端肱骨骨折的检测和分类上具有较高的准确性和可靠性，这项研究的结果对于改进近端肱骨骨折的诊断和治疗具有重要意义。通过自动化的深度学习算法，医生可以更快速、准确地识别和分类近端肱骨骨折，从而为患者提供更好的治疗决策和个性化的护理。
在2017年，OLCZAK等[26]研究中利用了深度学习算法和卷积神经网络(CNN)来训练模型，以识别和分类不同类型的骨科创伤。深度学习算法通过学习大量的骨科创伤图像数据集，能够自动提取特征和模式，并进行准确的创伤诊断。研究结果表明，利用人工智能技术进行骨科创伤分析具有较高的准确性和可靠性。
在2018年，TOMITA等[27]使用了一个基于卷积神经网络(CNN)的深度神经网络模型来自动检测和诊断骨质疏松性椎体骨折，通过训练大规模的CT扫描图像数据集，来自动识别和定位骨质疏松性椎体骨折。深度神经网络通过学习大量的图像数据，能够自动提取骨质疏松性椎体骨折的特征和模式，并进行准确的检测和诊断。与传统的人工分析方法相比，深度神经网络能够更快速、准确地识别和定位骨质疏松性椎体骨折。
在2018年，URAKAWA等[28]介绍使用深度卷积神经网络进行图像识别，在检测转子间骨折方面具有高度的准确性，可以与专业的骨科医生相媲美。2019年，CHENG等[29]使用了一个深度学习算法，通过训练大量的普通盆腔X射线片和相应的骨折标记来建立模型，以检测和可视化髋部骨折；研究发现，它能够准确地检测到骨折的存在，这种深度学习算法在检测髋部骨折方面表现出了较高的准确性和灵敏度。
在2019年，PRANATA等[30]探讨在CT图像中使用深度学习和SURF算法进行跟骨骨折的自动分类和检测，研究目的是开发一种准确和高效的方法来帮助医生诊断和定位跟骨骨折。
在2018年，BADGELEY等[31]开发一种准确预测髋部骨折的算法，利用大量的医疗记录数据，包括患者的年龄、性别及身体质量指数等个人特征，以及医疗保健因素如住院时间、手术历史等，准确地预测髋部骨折的风险。
在2017年，ESTEVA等[32]研究使用了一个深度神经网络模型，通过分析皮肤病变图像中的特征，如颜色、纹理和形状，来进行分类，以帮助医生在早期诊断和治疗皮肤癌方面取得更好的结果。
2.6 文献热点小结 近20年来人工智能在骨创伤领域相关论文的发文量总体呈增长状态，发文量和中心性最高的国家为美国，这表明美国在全球人工智能应用于骨创伤领域的研究中处于核心地位；虽然中国发文量居第2位，但中心性低于其他国家，说明中国在该领域研究的影响力不足，与发达国家(美国和德国等)还存在一定的差距。然而，各国各机构之间的合作明显不足，国家之间、机构之间以内部合作为主，尚未形成大规模的合作。国家、机构和作者之间应建立更强大的合作网络，特别是加强国内外和医学科研工作者与计算机科学研究人员的相互合作，有助于研究人员充分发挥双方优势，共享资源和共同发展，这对人工智能应用于骨创伤方面研究的进一步发展至关重要。人工智能在骨创伤研究中最常用的前5个关键词是深度学习、人工智能、骨密度、机器学习和诊断。目前，该领域研究主要集中在人工智能应用于辅助识别诊断骨创伤性骨折，主要利用深度学习模型对骨折影像进行分类、分割和检测，辅助医生审查影像中是否存在异常，判断骨折的类型，定位骨折的位置，标注疑似骨折区域，骨创伤领域模型特征性识别机制、识别各种关节损伤以及预测骨损伤程度。前沿研究话题是：卷积神经网络、有限元分析和骨密度。今后，人工智能在医学有限元性分析建模[33]、多模态成像[34]、优化网络识别算法[35]、多部位目标检测[36]、多部位语义分割等方面的应用可能走在未来的前沿[37]。

参考文献

[1] 薛冬,徐海林,王伟.人工智能辅助X射线识别对骨科的应用价值研究进展[J].中国骨伤,2020,33(9):887-890.
[2] 张建,谢会群,提克扎提,等.人工智能在骨科影像学诊断中的应用研究进展[J].中国数字医学,2023,18(4):95-103.
[3] SHAH AA, DEVANA SK, LEE C, et al. Development of a novel, potentially universal machine learning algorithm for prediction of complications after total hip arthroplasty. J Arthroplasty. 2020;36(5):1655-1662.
[4] 翟禹樵,李开南.骨科人工智能诊断的研究进展[J].中国临床研究, 021,34(4):542-545.
[5] LU Y, KHAZI ZM, AGARWALLA A, et al. Development of a machine learning algorithm to predict nonroutine discharge following unicompartmental knee arthroplasty. J Arthroplast. 2021;36(5): 1568-1576.
[6] DANKELMAN LHM, SCHILSTRA S, IJPMA FFA, et al. Artificial intelligence fracture recognition on computed tomography: review of literature and recommendations. Eur J Trauma Emerg Surg. 2022;49(2):681-691.
[7] KIJOWSKI R, LIU F, CALIVA F, et al. Deep learning for lesion detection, progression, and prediction of musculoskeletal disease. J Magn Reson Imaging. 2019;52(6):1607-1619.
[8] KUO RYL, HARRISON C, CURRAN T, et al. Artificial intelligence in fracture detection: a systematic review and meta-analysis. J Radiology. 2022;304(1):211785-211785.
[9] GUERMAZI A, TANNOURY C, KOMPEL AJ, et al. Improving radiographic fracture recognition performance and efficiency using artificial intelligence. J Radiology. 2021;302(3):210937-210937.
[10] AlGHAITHI A, Al MASKARI S. Artificial intelligence application in bone fracture detection. J Musculoskelet Surg Res. 2021;5(1):4-9.
[11] DEEPA J, THIPENDRA P, SINGH. A survey of fracture detection techniques in bone x-ray images. J Artif Intell Rev. 2020;(prepublish): 1-43.
[12] 陈悦,陈超美,刘则渊,等.Citespace知识图谱的方法论功能[J].科学学研究,2015,33(2):242-253.
[13] SYNNESTVEDT MB, CHEN C, HOLMES JH. Citespace ii: visualization and knowledge discovery in bibliographic databases. J AMIA Annu Symp Proc. 2005;2005:724-728.
[14] CHEN CM, SONG M. Visualizing a field of research: a methodology of systematic scientometric reviews. PLoS One. 2019;14(10):0223994.
[15] 任欢,曾奕玮,张粟,等.基于VOSviewer和Citespace分析功能性磁共振成像技术在针灸脑成像研究中的应用现状和趋势[J].世界科学技术-中医药现代化,2022,24(5):2114-2124.
[16] 应倩,汪媛.医学类期刊H指数与影响因子、总被引频次的曲线拟合回归分析[J].中华医学图书情报志,2011,20(11):23-26.
[17] 李科科,于文兵,李硕奇,等.基于Citespace软件的大学生社交焦虑研究的热点与前沿趋势分析[J].中国全科医学,2022,25(33): 4217-4226.

[18] 陈冉,杨皓然,史会连,等.1991-2021年肝硬化营养研究热点及趋势可视化分析[J].中国全科医学,2022,25(32):4091-4098.

[19] 郝文雪,李瑞青,胡延超,等.2010-2019年卒中后认知障碍相关研究的可视化分析[J].中国全科医学,2021,24(6):759-776.
[20] 李秋江,房晓敏,王胤斌,等.干细胞治疗椎间盘退变研究现状和趋势的文献计量学分析[J].中国组织工程研究,2021,25(31):5000-5011.
[21] VANDENPUT L, JOHANSSON H, MCClOSKEY EV, et al. Update of the fracture risk prediction tool FRAX: a systematic review of potential cohorts and analysis plan. J Osteoporosis Int. 2022;33(10):2103-2136.
[22] CABITZA F, LOCORO A, BANFI G. Machine learning in orthopedics: a literature review. Front Bioeng Biotechnol. 2018;6:75.
[23] LINDSEY R, DALUISKI A, CHOPRA S, et al. Deep neural network improves fracture detection by clinicians. J Proc Natl Acad Sci U S A. 2018;115(45):11591-11596.
[24] KIM DH, MACKINNON T. Artificial intelligence in fracture detection: transfer learning from deep convolutional neural networks. J Clin Radiol. 2018;73(5):439-445.
[25] CHUNG SW, HAN SS, LEE JW, et al. Automated detection and classification of the proximal humerus fracture by using deep learning algorithm. J Acta Orthop. 2018;89(4):1-6.
[26] OLCZAK J, FAHLBERG N, MAKI A, et al. Artificial intelligence for analyzing orthopedic trauma radiographs. J Acta Orthop. 2017;88(6):581-586.
[27] TOMITA N, CHEUNG YY, HASSANPOUR S, et al. Deep neural networks for automatic detection of osteoporotic vertebral fractures on CT scans. J Comput Biol Med. 2018;98:8-15.
[28] URAKAWA T, TANAKA Y, GOTO S, et al. Detecting intertrochanteric hip fractures with orthopedist-level accuracy using a deep convolutional neural network. J Skeletal Radiol. 2018;48(2):239-244.
[29] CHENG CT, HO TY, LEE TY, et al. Application of a deep learning algorithm for detection and visualization of hip fractures on plain pelvic radiographs. J Eur Radiol. 2019;29(10):5469-5477.
[30] PRANATA YD, WANG KC, WANG JC, et al. Deep learning and SURF for automated classification and detection of calcaneus fractures in CT images. Comput Methods Programs Biomed. 2019;171:27-37.
[31] BADGELEY MA, ZECH JR, OAKDEN-RAYNER L, et al. Deep learning predicts hip fracture using confounding patient and healthcare variables. NPJ Digit Med. 2019:2:31.
[32] ESTEVA A, KUPREL B, NOVOA RA, et al. Dermatologist-level classification of skin cancer with deep neural networks. J Nature. 2017; 542(7639):115-118.
[33] 毛昭冲,李福伟,杨凤云,等.有限元分析在桡骨远端骨折研究中的应用进展[J].中医正骨,2023,35(2):30-32, 45.
[34] 魏焕焕,杨燕,付芳芳,等.基于多模态MRI影像组学与深度学习的脑胶质瘤诊断及预后预测研究进展[J].磁共振成像,2023,14(5): 175-180.
[35] 李军,叶欣怡,杨长才,等.基于联合深度网络和形态结构约束的三维医学图像分割方法[J].中国生物医学工程学报,2023,42(1): 30-40.
[36] 邓佳丽,龚海刚,刘明.基于目标检测的医学影像分割算法[J].电子科技大学学报,2023,52(2):254-262.
[37] 刘良斌,杜宝林,卢琰,等.国内外图像分割技术在医疗健康领域应用发展态势分析[J].现代信息科技,2023,7(13):105-111.
[38] OZKAYA E, TOPAL FE, BULUT T, et al. Evaluation of an artificial intelligence system for diagnosing scaphoid fracture on direct radiography. J Eur J Trauma Emerg Surg. 2020;48(1):1-8.
[39] ÜRETEN K, SEVINÇ HF, İĞDELI U, et al. Use of deep learning methods for hand fractures detection from plain hand radiographs. J Ulus Travma Acil Cer. 2020;28(2):196-201.
[40] TUNG YC, SU JH, LIAO YW, et al. High-performance scaphoid fracture recognition via effectiveness assessment of artificial neural networks. J Applied Sciences. 2021;11(18):8485.
[41] HUHTANEN JT, NYMAN M, DONCENCO D, et al. Deep learning accurately classifies elbow joint effusion in adult and pediatric radiographs. J Sci. Rep. 2022;12(1):11803-11803.
[42] DREIZIN D, GOLDMANN F, LEBEDIS C, et al. An automated deep learning method for tile ao/ota pelvic fracture severity grading from trauma whole-body CT. J Digit Imaging. 2021;34(1):53-65.
[43] SATO Y, TAKEGAMI Y, ASAMOTO T, et al. Artificial intelligence improves the accuracy of residents in the diagnosis of hip fractures: a multicenter study. J BMC Musculoskel Dis. 2021;22(1):407-407.
[44] KIM J, MO Y, CHOI S, et al. Detecting ankle fractures in plain radiographs using deep learning with accurately labeled datasets aided by computed tomography: a retrospective observational study. J Appl Sci. 2021;11(19):8791-8791.
[45] 刘春,蹇文渊,段俊国.人工智能应用于糖尿病视网膜病变的文献计量学分析[J].中国全科医学,2023,26(15):1847-1856.
[46] 郑奕.医疗器械行业的市场投资与发展机遇[J].张江科技评论, 2020(2):62-65.
[47] 陈晨,孙鹏飞,郭君,等.人工智能在甲状腺结节良恶性中的诊断价值[J].中国超声医学杂志,2020,36(7):585-588.
[48] 李程,花瞻,林江莉,等.超声人工智能用于乳腺结节良恶性诊断的研究[J].中国超声医学杂志,2019,35(9):786-788.
[49] 李欣菱,郭芳芳,周振,等.基于深度学习的人工智能胸部CT肺结节检测效能评估[J].中国肺癌杂志,2019,22(6):336-340.
[50] 周清清,王佳硕,唐雯,等.基于卷积神经网络成人肋骨骨折CT自动检测和分类的应用研究[J].影像诊断与介入放射学,2020,29(1): 27-31.
[51] 庞浩,王枞.用于糖尿病视网膜病变检测的深度学习模型[J].软件学报,2017,28(11):3018-3029.
[52] 王天任,李伊宁,王弘熠,等.医学图像数据增强技术的研究现状与进展[J].中国当代医药,2021,28(3):34-37, 44.
[53] 严丹丹,饶洁,尹修恒,等.基于深度迁移学习的甲状腺癌术中冷冻切片病理诊断模型研究[J].临床与实验病理学杂志,2023(12): 1448-1452.
[54] 董中阳.半监督学习优化多任务学习网络在糖网病变分类的应用[J].工业控制计算机,2022,35(8):121-123, 126.
[55] 郑远攀,李广阳,李晔.深度学习在图像识别中的应用研究综述[J].计算机工程与应用,2019,55(12):20-36.
[56] 靳建华,庄吓海,王成彦,等.无监督的磁共振图像重建方法研究进展[J].北京生物医学工程,2023,42(6):648-653.
[57] 郭辰颢,许纹赫,鲁烨冉.基于Citespace软件的智能医疗领域热点与前沿分析[J].中国研究型医院,2022,9(2):33-38.
[58] 顾维.我国人工智能研究的文献计量学与可视化分析[J].中国教育技术装备,2023(6):19-25.
[59] 赵宏瑞,杨庚齐,杨悦.医疗人工智能的法律伦理问题研究——基于外国文献的计量及可视化分析[J].沈阳师范大学学报(社会科学版),2023,47(2):26-32.
[60] FENG C, ZHOU X, WANG H, et al. Research hotspots and emerging trends of deep learning applications in orthopedics: a bibliometric and visualized study. J Frontiers in Public Health. 2022;10:949366.

引言

近年来人工智能在医学领域的应用和发展正在改变医疗服务模式，人工智能已广泛应用于骨科相关诊断，包括骨折、骨龄评估、骨关节炎、骨质疏松以及脊柱相关疾病的识别[1]。随着现在交通、工业化程度的迅猛发展及人口老龄化加剧，与之相应的创伤患者数量增加，骨折损伤的复杂性和严重性的程度也日益增加，在实际医疗工作中，受患者创伤发生时间、地点的不确定性和接诊医生的专业化程度等因素影响，及时的诊断和有效治疗直接影响患者的预后，人工智能的出现为解决骨科创伤的临床难题提供了解决方案。目前，有关研究数据显示骨科与人工智能的结合被认为是最具有发展潜力的研究方向[2]。机器学习、深度学习和卷积神经网络等人工智能技术已应用在骨与骨关节的图像分割、图像识别及图像重建等领域[3-5]。涉及医生在临床工作中所需的影像学检查，如X射线片、MR和CT等多种医学图像[6-10]。近年来，人工智能方法与传统医学图像相结合已被证实可以提高临床医生诊断能力[11]。
人工智能在医学领域的应用已受到广泛关注，但有关人工智能在骨创伤领域中应用文献计量学的研究分析目前尚未见研究报道。Citespace作为文献的引用关系构建科学知识的网络，并通过可视化的方式科学地呈现某个领域文献数据的结构、规律和分布情况，帮助研究人员理清有关学科领域的知识架构、研究热点及发展趋
势[12]。文章通过检索Web of Science核心集数据库中关于人工智能技术应用于骨创伤研究的相关文献，运用Citespace软件从国家、机构、作者、关键词和被引文献等方面进行可视化分析[13-14]。有关研究人员通过可视化图谱结合被引频次和中介中心性等分析指标，直观了解人工智能在骨创伤重点领域的现状、热点和发展趋势，并有助于研究者理清该领域的发展脉络，以期进一步为相关研究提供参考[15]。

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

材料方法

1.1 文献来源 所有数据均来源于 Web of Science数据库核心合集，检索策略式为(TS=(artificial intelligence OR deep learning or machine learning OR convolutional neural network)) AND TS=(bone fractures OR bone trauma OR cataclasis)，
检索时间为建库以来至2023年8月，语言不限，共获得420条记录。
1.2 文献筛选标准
1.2.1 纳入标准有关人工智能技术应用于骨创伤研究的相关文章，涵盖骨折、骨质疏松等方面。
1.2.2 排除标准排除与研究主题无关、重复发表或重复检出的文章；信件、撤回、勘误、会议记录和文摘类文献。
1.3 数据采集 在Web of Science核心集数据库中，对所检索的文献导出，记录内容选择“全记录引用文献”，搜索的文献以纯文文章件的形式从中导出并下载，使用Citespace(6.2.R4)选择去除重复项并保存去重后记录，由于2023年的年发文量还未完全统计，将2023年发表的文章排除，筛选后最终纳入202篇文献。
1.4 参数设置及分析标准 Citespace参数设置时间跨度为2009年1月至2022年12月，选择以1年为时间切片进行分割，节点筛选方式使用g-index，比例参数k=25，其他参数设置为默认设置。词汇类型包括主题(title)、摘要(abstract)、关键词(author keywords)和关键词PLUS(keywords plus)。节点类型包括国家(country)、机构(institution)、作者(author)、被引作者(cited author)、被引文献(cited reference)和关键词(keyword)，依次单击Go运行软件绘制生成可视化图谱。
数据分析及判断标准知识图谱中，总被引频次(去除自引)代表着每个国家或作者发表文献被引用的总次数，是世界上较为公认的衡量文献发表质量的重要指标之一[16]。
在可视化图谱中，节点大小代表节点出现的频率，节点之间的连线代表其联系合作关系及其紧密程度[17]。中介中心性是Citespace软件中测度节点在网络图谱中一个重要性指标，用紫色圈在网络图谱中对该节点进行标注(中介中心性≥ 0.1)，中介中心性越高，说明该节点在该领域越重要[18]。突发“Brust”功能分析用于发现某一个主题词、关键词衰落或兴起的情况，被认为是研究前沿或新兴趋势的代表，可反映某一研究领域的热点和前沿[19]。
1.5 主要观察指标 对年发文量及年累计发文量绘制图表，分别对国家、机构、作者及关键词等绘制可视化图谱，并分析该领域的研究现状、热点以及发展趋势[20]。

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

讨论

3.1 既往他人在该领域研究的贡献和存在的问题 在2020年，OZKAYA等[38]利用卷积神经网络检测腕关节正位X射线片上舟状骨骨折的人工智能诊断性能。2020年URETEN等[39]通过应用迁移学习等方法开发了一个辅助急诊科医生诊断手部骨折的CAD系统，其中VGG-16模型性能最好，可以快速准确识别手腕部X射线照片。2021年，TUNG等[40]通过利用带或不带迁移学习的多个卷积神经网络对腕关节舟状骨分割后的目标进行识别。2022年，HUHTANEN等[41] 证明使用深度学习可以有效地在儿科和成人放射照片中的肘关节损伤后形成的积液分类中实现专家级诊断准确性。2021年，DREIZIN等[42]开发一种深度学习方法，用于对创伤全身CT骨盆骨折的严重程度进行自动分级，模型准确率优于初级放射科医生的诊断能力。2021年，SATO等[43]利用预先训练的EfficientNet-B4模型，开发一种用于检测髋部骨折的普通X射线计算机辅助诊断(CAD)系统。踝关节骨折是常见的损伤，但相较于其他损伤，在急诊科中常常被忽视。2021年，KIM等[44]是开发一种深度学习算法，采用Inception V3模型对图像进行分类，CNN模型比以往的研究提供了更高的准确性。众多研究证明，使用人工智能系统作为辅助工具应用于医疗领域因其高效和快捷的特点而无可替代，潜在价值
巨大[45]。
上述研究中，人工智能算法的性能依赖于训练数据的质量和数量，缺乏高质量的骨创伤数据可能限制了算法的准确性和可靠性。人工智能算法在训练数据上表现良好，但在新的、不同于训练数据的情况下，可能产生错误的诊断结果。因此，算法的泛化能力需要进一步改进和验证。人工智能算法应用于临床实践中需要考虑到医生的需求和工作流程。算法应该能够与医生的实际工作环境相适应，并提供准确、可靠且易于使用的结果。
3.2 作者研究区别于他人他篇的特点 文章与其他人工智能在骨科相关领域的研究在研究目的、数据收集和分析方式上存在一些差异。文章更注重对文献数据的统计和分析，例如相关指标(如引用频次、作者合作网络及期刊影响因子等)来衡量人工智能在骨创伤领域应用的影响力及跨学科间的联系，揭示在骨创伤领域医工融合的发展动态和影响力，并以图表、统计数据和可视化方式呈现，以展示研究领域的发展趋势、热点内容和演化规律，这将对研究人员对在骨创伤领域选取人工智能模型、完善算法、提高识别准确率等提供参考价值。
3.3 研究的局限性 文章的局限性主要体现在以下几个方面：首先，由于Citespace软件的可视化基于已有的文献数据库限制，仅对Web of Science核心集数据库中的文章进行分析，如果有该领域的研究不在Web of Science核心集数据库中，那么Citespace可能无法准确地反映该领域的引用网络；其次，由于2023年的文章数量无法完全反映整年的出版情况，故未将该年的文章纳入分析，且未引入中文数据库，这些可能会引起文献偏差的问题。Citespace软件的可视化结果依赖于文献中的引用关系，不同研究领域对引用关系的记录和报告方式可能存在差异，这可能导致在可视化引用网络时遗漏或错误地解释一些引用关系。同一张图谱在不同读者之间可能会有不同的可视化结果和解读。此外，Citespace仅是一款可视化分析软件，无法展示文章具体内容，还需要进一步的研究和分析。
3.4 研究的重要意义 文章对目前人工智能在骨创伤领域的研究进行了总结和概述，它提供了一个全面的可视化视角，使读者可以了解到该领域的最新进展和趋势。通过关键词共现、关键词聚类、高被引文献等列举人工智能在骨创伤领域的应用案例，突出了人工智能在该领域的潜力，同时指出人工智能在骨创伤领域应用中存在的问题和挑战。这有助于研究人员意识到需要解决的关键问题，为相关研究人员提供全面的了解和评估，并为未来的研究方向提供参考。
3.5 课题组专家对未来的建议 医工融合作为跨学科交叉研究领域，在骨创伤方面的研究适应世界主流研究发展方向，有良好的研究前景。据IDC统计数据显示，到2025年，医疗行业将占据人工智能应用市场的1/5，人工智能技术在骨创伤诊断中具有巨大的发展潜力[46]。甲状腺结节、乳腺结节和肺结节筛检、肋骨自动分类及糖尿病视网膜病变分级已在临床开展应用[47-51]。同时，各种新兴技术也逐渐在骨科领域得到应用，例如数据增强、迁移学习、半监督学习、弱监督学习以及无监督学习等[52-56]。随着人工智能在医疗领域的广泛应用，应建立统一及标准化的医学数据，同时关注人工智能发展所带来的医学伦理和法律上的双重风险[57-59]。虽然骨创伤辅助诊断系统不能完全替代医生的诊断，但它可以帮助临床医生减轻阅片负担，提高工作效率，并为基层医生、初级医生或急诊科医生提供辅助诊断意见，以降低漏诊和误诊率。
今后，人工智能在医学有限元性分析建模、多数据中心、多模态成像、无监督学习、优化网络识别及分类和多部位分割等方面的开展应用。骨创伤的主要治疗手段是外科手术，研究人员可开展人工智能技术应用于术前规划、降低术中风险及预测术后并发症的发生[60]。同时，应注意研究过程中涉及数据的保密性和伦理性问题。在未来，人工智能算法应用于实际医疗诊断时，存在潜在的风险和责任问题，人工智能的错误诊断或误导性结果可能会导致严重的后果。因此，确保人工智能的安全性和可靠性，以及明确责任和风险分配至关重要。

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

基于Citespace对人工智能在骨创伤研究的可视化分析

Visualization analysis of artificial intelligence in bone trauma research based on Citespace

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表（结果） 9

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]	李加根, 陈跃平, 黄柯琪, 陈尚桐, 黄川洪. 线粒体自噬视域下的类风湿关节炎：多机器学习算法构建预测模型及验证并免疫调控分析[J]. 中国组织工程研究, 2025, 29(在线): 1-15.
[2]	周金海, 李江伟, 王序全, 庄颖, 赵瑛, 杨渝勇, 王嘉嘉, 杨阳, 周仕炼. 不同骨强度下全膝置换过程中发生股骨前皮质切迹的三维有限元分析[J]. 中国组织工程研究, 2025, 29(9): 1775-1782.
[3]	陈曦, 汤涛, 陈铜兵, 李青, 张文. 不同内固定系统治疗股骨转子间骨折的力学稳定性[J]. 中国组织工程研究, 2025, 29(9): 1783-1788.
[4]	黄浩波, 梁馨元, 叶国忠, 谢庆祥, 苏博源. 纤维带与无头加压螺钉治疗第1，2跖骨近端粉碎性骨折Lisfranc损伤[J]. 中国组织工程研究, 2025, 29(9): 1803-1809.
[5]	刘琰, 王铠, 吴敏. 踝关节骨折术后踝穴冠状位角度波动与关节功能恢复的关系[J]. 中国组织工程研究, 2025, 29(9): 1820-1826.
[6]	张浩, 王清, 张建, 李广州, 王高举. 后路C2-3固定结合顶棒置入与单纯后路C2-3固定治疗不稳定Hangman骨折的比较[J]. 中国组织工程研究, 2025, 29(9): 1848-1854.
[7]	苏林涛, 江剑峰, 马俊, 黄亮亮, 雷昌宇, 韩尧政, 康辉. O臂导航在椎弓根发育性狭窄胸腰椎骨折中的精准应用[J]. 中国组织工程研究, 2025, 29(9): 1855-1862.
[8]	高振洋, 曾秀安, 杨其兵, 寇贤帅, 王克竞, 厉孟. 计算机模拟复位联合骨盆复位架治疗APC-Ⅲ型骨盆骨折[J]. 中国组织工程研究, 2025, 29(9): 1870-1875.
[9]	周佳俊, 马飞, 冷叶波, 徐世财, 何宝强, 李洋, 廖烨晖, 唐强, 唐超, 王清, 钟德君. 全脊柱MRI评估骨质疏松患者椎体骨折的分布特点及临床意义[J]. 中国组织工程研究, 2025, 29(9): 1883-1889.
[10]	赵济宇, 王少伟. 叉头框转录因子O1信号通路与骨代谢[J]. 中国组织工程研究, 2025, 29(9): 1923-1930.
[11]	梁浩博, 王泽宇, 马文龙, 刘浩, 刘又文. 关节翻修领域热点问题：感染、康复护理、骨缺损及假体松动[J]. 中国组织工程研究, 2025, 29(9): 1963-1971.
[12]	吕丽婷, 于霞, 张金梅, 高巧婧, 刘仁凡, 李梦, 王璐. 脑衰老与外泌体研究进程及现状的文献计量学分析[J]. 中国组织工程研究, 2025, 29(7): 1457-1465.
[13]	王咪, 马书杰, 刘杨, 齐瑞. 缺血性脑卒中铁死亡特征基因NFE2L2的鉴定与验证[J]. 中国组织工程研究, 2025, 29(7): 1466-1474.
[14]	谢刘刚, 崔书克, 郭楠楠, 李遨宇, 张菁瑞. 干细胞治疗阿尔茨海默病的研究热点与前沿[J]. 中国组织工程研究, 2025, 29(7): 1475-1485.
[15]	常金霞, 刘羽飞, 牛少辉, 王唱, 曹建春. 巨噬细胞极化在组织修复过程中的可视化分析[J]. 中国组织工程研究, 2025, 29(7): 1486-1496.