董娜，崔婷，王露露，師榮慧，馮潔，黃曉俊*

1.730000 甘肅省蘭州市，蘭州大學(xué)第二臨床醫(yī)學(xué)院

2.730000 甘肅省蘭州市，蘭州大學(xué)第二醫(yī)院消化科

胃癌是全球第五大常見惡性腫瘤和癌癥相關(guān)死亡的第四大原因，全球每年新增胃癌患者約109 萬例，因胃癌死亡患者約77 萬例［1］。我國(guó)是胃癌高發(fā)國(guó)家，胃癌發(fā)病率和死亡率分別位居惡性腫瘤第2、3 位［2］。據(jù)報(bào)道，早期胃癌5 年生存率＞90.0%［3］，而進(jìn)展期胃癌5 年生存率＜10.0%［4］。由于胃癌早期缺乏特異性癥狀和體征，大多數(shù)胃癌被診斷時(shí)病程已進(jìn)展到晚期，導(dǎo)致胃癌患者整體預(yù)后較差［5］。因此胃癌的早期診斷和合理治療對(duì)于改善患者預(yù)后至關(guān)重要。然而胃癌的診斷準(zhǔn)確性與醫(yī)師的臨床經(jīng)驗(yàn)和專業(yè)知識(shí)儲(chǔ)備密切相關(guān)，存在被誤診和漏診的可能性。隨著人工智能（AI）在醫(yī)學(xué)領(lǐng)域的快速發(fā)展，機(jī)器學(xué)習(xí)技術(shù)特別是深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)在胃癌診斷、治療和預(yù)后預(yù)測(cè)方面展示出良好應(yīng)用前景［6］。有學(xué)者嘗試采用支持向量機(jī)算法識(shí)別可用于早期診斷胃癌的生物標(biāo)志物［7］；有學(xué)者利用深度學(xué)習(xí)技術(shù)對(duì)內(nèi)鏡圖像、計(jì)算機(jī)斷層掃描圖像、病理圖像進(jìn)行診斷分析，實(shí)現(xiàn)了對(duì)胃癌的診斷/分期和預(yù)后預(yù)測(cè)［8］。近年來將AI 應(yīng)用于胃癌診治的研究日益增多，但尚未得到系統(tǒng)分析。本研究采用VOSviewer、CiteSpace 軟件對(duì)2003—2022 年AI 應(yīng)用于胃癌診治的研究進(jìn)行文獻(xiàn)計(jì)量學(xué)分析，旨在闡明該領(lǐng)域研究的概況和發(fā)展趨勢(shì)，為該領(lǐng)域研究者提供參考。

1 資料與方法

1.1 數(shù)據(jù)來源

于2022-11-06，計(jì)算機(jī)檢索Web of Science（WOS）核心合集數(shù)據(jù)庫(kù)，獲取將AI 應(yīng)用于胃癌診治的相關(guān)研究。采用的檢索式為（（（（（TS=（Stomach Neoplasm*））OR TS=（Gastric Neoplasm*））OR TS=（Cancer of Stomach））OR TS=（Stomach Cancer））OR TS=（Gastric Cancer））AND（（（（（（（（（（（（（（（（（（（（（（（（TS=（artificial intelligence））OR TS=（"computational intelligence"））OR TS=（"deep learning"））OR TS=（"computer aided"））OR TS=（"machine learning"））OR TS=（"support vector machine"））OR TS=（"data learning"））OR TS=（"artificial neural network"））OR TS=（"digital image"））OR TS=（"convolutional neural network"））OR TS=（"evolutionary algorithms"））OR TS=（"feature learning"））OR TS=（"reinforcement learning"））OR TS=（"big data"））OR TS=（"image segmentation"））OR TS=（"image segmentation"））OR TS=（"hybrid intelligent system"））OR TS=（"recurrent neural network"））OR TS=（"natural language processing"））OR TS=（"bayesian network"））OR TS=（"bayesian learning"））OR TS=（"random forest"））OR TS=（"evolutionary algorithms"））OR TS=（"multiagent system"）），將文獻(xiàn)語(yǔ)言限定為“English”，將文獻(xiàn)類型限定為“article”和“review”，檢索時(shí)間跨度為2003—2022 年。排除標(biāo)準(zhǔn)：（1）會(huì)議論文、述評(píng)；（2）文獻(xiàn)主題與本研究的研究?jī)?nèi)容無關(guān)；（3）重復(fù)發(fā)表的文獻(xiàn)。最終納入文獻(xiàn)703 篇，導(dǎo)出完整記錄和參考文獻(xiàn)，將其以“download_txt”格式保存。

1.2 統(tǒng)計(jì)學(xué)方法

采用VOSviewer 1.6.18 和CiteSpace 5.7.R5 軟件進(jìn)行文獻(xiàn)計(jì)量學(xué)和可視化分析，數(shù)據(jù)分析前使用CiteSpace 5.7.R5軟件對(duì)從WOS 導(dǎo)出的數(shù)據(jù)進(jìn)行去重，去重后仍為703 篇文獻(xiàn)。采用VOSviewer 1.6.18 軟件對(duì)國(guó)家（地區(qū)）間、機(jī)構(gòu)間、作者間的合作情況、共被引作者情況、關(guān)鍵詞共現(xiàn)與疊加情況進(jìn)行可視化分析，采用CiteSpace 5.7.R5 軟件進(jìn)行機(jī)構(gòu)中介中心性分析、期刊雙圖疊加分析、近6年共被引文獻(xiàn)聚類分析、共被引文獻(xiàn)聚類時(shí)間線圖分析及參考文獻(xiàn)突現(xiàn)分析。其中關(guān)鍵詞共現(xiàn)分析旨在通過主題共現(xiàn)發(fā)現(xiàn)研究熱點(diǎn)的結(jié)構(gòu)分布；關(guān)鍵詞疊加分析旨在通過將時(shí)間因素疊加到關(guān)鍵詞共現(xiàn)網(wǎng)絡(luò)中，顯示出研究趨勢(shì)的演變；期刊雙圖疊加分析旨在通過對(duì)施引和被引文獻(xiàn)所屬期刊進(jìn)行聚類和疊加分析，顯示學(xué)科論文的分布及引文軌跡等信息；共被引文獻(xiàn)聚類分析旨在通過分析文獻(xiàn)同時(shí)被其他文獻(xiàn)引用的頻次判斷在所研究領(lǐng)域中產(chǎn)生過重大影響的文獻(xiàn)并對(duì)其進(jìn)行聚類，可以反映研究的發(fā)展和演進(jìn)動(dòng)態(tài)；共被引文獻(xiàn)聚類時(shí)間線圖分析旨在通過分析聚類之間的關(guān)系和某個(gè)聚類中文獻(xiàn)的引用情況，顯示某個(gè)研究主題研究基礎(chǔ)的時(shí)間跨度；參考文獻(xiàn)突現(xiàn)分析旨在通過分析參考文獻(xiàn)的時(shí)間分布，顯示出頻次變化率高、增長(zhǎng)速度快的突現(xiàn)參考文獻(xiàn)，進(jìn)而分析學(xué)科的研究前沿和發(fā)展趨勢(shì)。此外，采用Excel 2019 軟件繪制發(fā)文量條形圖及國(guó)家（地區(qū)）、機(jī)構(gòu)、期刊、作者、共被引作者、引用參考文獻(xiàn)和關(guān)鍵詞的描述性分析表格。

2 結(jié)果

2.1 發(fā)文數(shù)量和趨勢(shì)分析

703 篇文獻(xiàn)中，596 篇（84.8%）為論著、107 篇（15.2%）為綜述。2016 年以前年發(fā)文量少且增長(zhǎng)緩慢，年發(fā)文量最多的一年為2013 年（12 篇）；2017 年開始年發(fā)文量快速增長(zhǎng)，2022 年達(dá)195 篇（截至2022-11-06），約為2016 年的20 倍（圖1）。近6 年發(fā)文量占總發(fā)文量的90.3%（635/703），多項(xiàng)式擬合結(jié)果顯示，R2=0.933 6，提示發(fā)表年份與年發(fā)文量之間存在相關(guān)性，未來該領(lǐng)域的文獻(xiàn)會(huì)持續(xù)增加。

2.2 發(fā)文國(guó)家（地區(qū)）分析

該領(lǐng)域發(fā)表文獻(xiàn)共來自52 個(gè)國(guó)家（地區(qū)），發(fā)文量＞100 篇的國(guó)家（地區(qū)）只有中國(guó)，發(fā)文量≥5 篇的國(guó)家（地區(qū)）有25 個(gè)。表1 總結(jié)了近20 年發(fā)文量排在前10 的國(guó)家（地區(qū)）的發(fā)文情況，中國(guó)發(fā)文量位列第1（366 篇），美國(guó)（93 篇）、韓國(guó)（86 篇）、日本（79篇）和德國(guó)（47 篇）發(fā)文量分別位列第2、3、4、5 位；總被引用次數(shù)排在前5 的國(guó)家（地區(qū)）依次是中國(guó)（4 371 次）、美國(guó)（2 704 次）、日本（2 232 次）、德國(guó)（1 189 次）和韓國(guó)（890 次）；雖然來自中國(guó)的文獻(xiàn)總被引用次數(shù)最多，但來自荷蘭、美國(guó)、英國(guó)、日本、德國(guó)和意大利的文獻(xiàn)的平均被引用次數(shù)均高于來自中國(guó)的文獻(xiàn)。基于VOSviewer 軟件分析國(guó)家（地區(qū)）間的合作情況（圖2），節(jié)點(diǎn)之間的線條表示存在合作關(guān)系，線條越粗表示關(guān)系越緊密，即總鏈接強(qiáng)度（TLS）越強(qiáng)，TLS 排在前5 的國(guó)家為中國(guó)、日本、美國(guó)、德國(guó)和韓國(guó)。

表1 發(fā)文量排在前10 的國(guó)家（地區(qū)）的發(fā)文情況（截至2022-11-06）Table 1 Top 10 countries（regions）in term of publication volume

圖2 國(guó)家（地區(qū)）間的合作網(wǎng)絡(luò)圖譜Figure 2 Mapping of collaborative networks among countries（regions）

2.3 發(fā)文機(jī)構(gòu)分析

共1 162 家機(jī)構(gòu)參與將AI 應(yīng)用于胃癌診治的相關(guān)研究，其中發(fā)文量≥5 篇的機(jī)構(gòu)有74 家。發(fā)文量排在前3 的機(jī)構(gòu)依次為中國(guó)科學(xué)院、中山大學(xué)和上海交通大學(xué)，分別發(fā)表文獻(xiàn)32、25、25 篇（表2）?；赩OSviewer 軟件，針對(duì)發(fā)文量≥5 篇的機(jī)構(gòu)繪制機(jī)構(gòu)間的合作網(wǎng)絡(luò)圖譜（圖3），TLS 排在前3 的機(jī)構(gòu)為多田智廣消化內(nèi)科和直腸科研究所（416）、中國(guó)科學(xué)院（392）和東京大學(xué)（360）。中介中心性是節(jié)點(diǎn)中心性的度量指標(biāo)，可反映節(jié)點(diǎn)在網(wǎng)絡(luò)中的重要性，在CiteSpace 生成的圖譜中，有紫色外圈的節(jié)點(diǎn)為具有高中介中心性的節(jié)點(diǎn)。CiteSpace 生成的圖譜顯示，中國(guó)科學(xué)院（0.19）、成均館大學(xué)（0.17）、武漢大學(xué)（0.16）、哈佛大學(xué)（0.12）、中山大學(xué)（0.11）和中國(guó)醫(yī)科大學(xué)（0.11）等中介中心性較高的機(jī)構(gòu)在該領(lǐng)域的研究中發(fā)揮著重要作用（受限于篇幅，未呈現(xiàn)CiteSpace 生成的圖譜）。

表2 發(fā)文量排在前10 的機(jī)構(gòu)的發(fā)文情況（截至2022-11-06）Table 2 Top 10 institutions in term of publication volume

2.4 期刊發(fā)文量與共被引情況分析

703 篇文獻(xiàn)刊載于330 種期刊，其中26 種期刊發(fā)文量≥5 篇。發(fā)文量排在前10 的期刊共發(fā)文156 篇，占總發(fā)文量的22.2%；Frontiers in Oncology 發(fā)文量最多（32 篇）；Gastric Cancer 被引用次數(shù)最多（519 次）；Gastrointestinal Endoscopy 2022 年影響因子最高（10.396）；5 種期刊2022 年Journal Citation Reports（JCR）分區(qū)為Q1，其余5 種期刊為Q2 區(qū)，見表3。共被引次數(shù)最多的期刊是Gastrointestinal Endoscopy（1 004次），其次為Gastric Cancer（702次）和Endoscopy（631 次），見表4。期刊雙圖疊加分析結(jié)果顯示，引用路徑主要有4 條；施引期刊的所屬領(lǐng)域集中在“Medicine，Medical，Clinical”（“藥物，醫(yī)學(xué)，臨床”）、“Molecular，Biology，Immunology”（“分子，生物學(xué)，免疫學(xué)”）領(lǐng)域；被引期刊的所屬領(lǐng)域集中在“Molecular，Biology，Genetics”（“分子，生物學(xué)，遺傳學(xué)”）、“Health，Nursing，Medicine”（“健康，護(hù)理，藥物”）領(lǐng)域（圖4）。

表3 發(fā)文量排在前10 的期刊的發(fā)文情況及2022 年評(píng)價(jià)指標(biāo)情況（截至2022-11-06）Table 3 Publications and evaluation metrics in 2022 of top 10 journals in term of publication volume

圖4 基于施引期刊與被引期刊的雙圖疊加分析Figure 4 Double graph overlay analysis of citing and cited journals

2.5 作者與共被引作者分析

該領(lǐng)域研究涉及4 088 名作者和16 338 名共被引作者。表5 顯示了發(fā)文量和共被引次數(shù)排前10 作者的發(fā)文情況，TADA TOMOHIRO 發(fā)文量最多（16 篇），其次為TIAN JIA（11 篇）和YU HONGGANG（10 篇）；共被引次數(shù)最多的作者為BRAY FREDDIE（186 次），其次為HIRASAWA TOSHIAKI（122 次）和JIANG YUMING（111次）。作者間合作網(wǎng)絡(luò)見圖5，作者共被引圖譜見圖6。

表5 發(fā)文量和共被引次數(shù)排在前10 的作者的發(fā)文情況（截至2022-11-06）Table 5 Publication of top 10 authors in terms of pulication volume and total number of citations

圖5 作者間的合作網(wǎng)絡(luò)圖譜Figure 5 Mapping of collaborative networks among authors

圖6 作者共被引圖譜Figure 6 Mapping of co-citation of authors

2.6 引用參考文獻(xiàn)分析

共有參考文獻(xiàn)22 273 條，其中76 條參考文獻(xiàn)共被引次數(shù)≥20 次。共被引次數(shù)排在前10 的參考文獻(xiàn)的具體信息見表6。共被引次數(shù)排在首位的參考文獻(xiàn)為Global cancer statistics 2018：GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries（183 次），其次為Application of artificial intelligence using a convolutional neural network for detecting gastric cancer in endoscopic images（113 次） 和Application of convolutional neural network in the diagnosis of the invasion depth of gastric cancer based on conventional endoscopy（78 次）。鑒于納入的703 篇文獻(xiàn)中多數(shù)文獻(xiàn)發(fā)表在2017—2022 年，對(duì)近6 年共被引文獻(xiàn)進(jìn)行聚類分析，可以更好地確定研究前沿。近6 年共被引文獻(xiàn)共被分為10 個(gè)集群，其中endoscopy（內(nèi)鏡）、digital pathology（數(shù)字病理學(xué)）、radiomics（影像組學(xué)）、image classification（圖像分類）、system biology（系統(tǒng)生物學(xué)）與胃癌的診斷和分期有關(guān)（圖7）。共被引文獻(xiàn)聚類時(shí)間線圖顯示，endoscopy（內(nèi)鏡）、digital pathology（數(shù)字病理學(xué)）、radiomics（影像組學(xué)）、image classification（圖像分類）是當(dāng)前的研究熱點(diǎn)，system biology（系統(tǒng)生物學(xué)）是最早出現(xiàn)的研究熱點(diǎn)（圖8）。圖9 顯示了突現(xiàn)力排在前15 的參考文獻(xiàn)，該領(lǐng)域的引文數(shù)量極速增加始于2016 年，大量參考文獻(xiàn)仍然被頻繁引用，表明AI在胃癌診治領(lǐng)域的應(yīng)用仍是未來幾年的研究熱點(diǎn)。

圖8 共被引文獻(xiàn)聚類時(shí)間線圖Figure 8 Co-cited literature clustering timeline

圖9 突現(xiàn)力排在前15 的參考文獻(xiàn)突現(xiàn)信息Figure 9 Top 15 reference with the strongest citation bursts

2.7 關(guān)鍵詞共現(xiàn)與疊加分析

共有關(guān)鍵詞2 609 個(gè)，總出現(xiàn)頻次為4 977 次，95 個(gè)關(guān)鍵出現(xiàn)頻次≥10 次。表7 顯示了出現(xiàn)頻次排在前10 的關(guān)鍵詞的基本情況。出現(xiàn)頻次＞100 次的關(guān)鍵詞有g(shù)astric cancer（胃癌）、deep learning（深度學(xué)習(xí)）、artificial intelligence（人工智能）、classification（分型）、cancer（癌癥）和diagnosis（診斷）。使用VOSviewer 生成關(guān)鍵詞共現(xiàn)網(wǎng)絡(luò)圖譜（圖10），每種顏色代表一個(gè)聚類，將所有關(guān)鍵詞聚為4 類，紅色聚類：AI 輔助胃癌的生物學(xué)研究，涉及的關(guān)鍵詞包括gene（基因）、expression（表達(dá)）、gene-expression（基因表達(dá)）、biomarkers（生物標(biāo)志物）等。藍(lán)色聚類：AI 輔助胃癌的內(nèi)鏡診斷，涉及的關(guān)鍵詞包括gastrointestinal endoscopy（胃腸道內(nèi)鏡）、capsule endoscopy（膠囊內(nèi)鏡）、upper-gastrointestinal endoscopy（上消化道內(nèi)鏡）等。黃色聚類：AI 輔助胃癌的病理診斷，涉及的關(guān)鍵詞包括pathology（病理學(xué)）、digital pathology（數(shù)字病理學(xué)）、histology（組織學(xué)）等。綠色聚類：AI 輔助胃癌的非內(nèi)鏡治療及預(yù)后預(yù)測(cè)，涉及的關(guān)鍵詞包括chemotherapy（化療）、immunotherapy（免疫治療）、surgery（外科手術(shù)）、outcome（預(yù)后）。圖11 為關(guān)鍵詞疊加網(wǎng)絡(luò)圖譜，顯示了關(guān)鍵詞隨時(shí)間變化的趨勢(shì)，黃色節(jié)點(diǎn)代表新興關(guān)鍵詞，提示這些關(guān)鍵詞可能為當(dāng)前研究熱點(diǎn)。由圖可見，deep learning（深度學(xué)習(xí)）、convolutional neural network（卷積神經(jīng)網(wǎng)絡(luò)）、radiomics（影像組學(xué)）、gastrointestinal endoscopy（胃腸道內(nèi)鏡）、pathology（病理學(xué)）和immunotherapy（免疫治療）是近2 年頻繁出現(xiàn)的關(guān)鍵詞，可能成為未來的研究熱點(diǎn)。

表7 出現(xiàn)頻次排在前10 的關(guān)鍵詞的基本信息（截至2022-11-06）Table 7 Basic information about the top 10 keywords in term of frequency

圖10 關(guān)鍵詞共現(xiàn)圖譜Figure 10 Co-occurrence mapping of keywords

圖11 關(guān)鍵詞疊加圖譜Figure 11 Mapping of keywords overlay

3 討論

本研究使用兩種常用的文獻(xiàn)計(jì)量學(xué)分析軟件VOSviewer 和CiteSpace 對(duì)過去20 年將AI 應(yīng)用于胃癌診治的相關(guān)研究進(jìn)行可視化分析，客觀闡述了將AI 應(yīng)用于胃癌診治相關(guān)研究現(xiàn)狀、發(fā)展趨勢(shì)和未來的研究熱點(diǎn)，可為研究者更好地把握研究現(xiàn)狀和發(fā)展趨勢(shì)提供參考。

根據(jù)發(fā)文量統(tǒng)計(jì)結(jié)果，近6 年發(fā)文量占總發(fā)文量的90.3%，預(yù)計(jì)發(fā)文量將持續(xù)增加，可見AI 近年來在胃癌診治領(lǐng)域得到了長(zhǎng)足發(fā)展。中國(guó)在該領(lǐng)域發(fā)文量遠(yuǎn)超其他國(guó)家（地區(qū)），但來自中國(guó)的文獻(xiàn)平均被引用次數(shù)遠(yuǎn)低于來自荷蘭、美國(guó)、英國(guó)、日本、德國(guó)的文獻(xiàn)，這可能與我國(guó)對(duì)將AI 應(yīng)用于胃癌診治的研究起步較晚，導(dǎo)致研究成果的學(xué)術(shù)影響力較低有關(guān)，因此我國(guó)學(xué)者應(yīng)注重提升研究的質(zhì)量及影響力。美國(guó)在發(fā)文量及文獻(xiàn)平均被引用次數(shù)上均位列第2，可見美國(guó)學(xué)者在該研究領(lǐng)域占有重要地位。根據(jù)TLS，中國(guó)、美國(guó)和日本與其他國(guó)家（地區(qū)）的合作較多。發(fā)文量排在前10 的機(jī)構(gòu)中，來自中國(guó)的機(jī)構(gòu)有7 所，其中中國(guó)科學(xué)院不僅發(fā)文量最高、TLS 較強(qiáng)，還具有最高的中介中心性，提示其在該領(lǐng)域具有很高的影響力，同時(shí)與其他機(jī)構(gòu)有較多合作。

發(fā)文量排在前5 的期刊為Frontiers in Oncology（2022年影響因子為5.738，JCR 分區(qū)為Q2）、Scientific Reports（2022年影響因子為4.996，JCR分區(qū)為Q2）、Cancers（2022年影響因子為6.575，JCR 分區(qū)為Q1）、Gastrointestinal Endoscopy（2022 年影響因子為10.396，JCR 分區(qū)為Q1）和World Journal of Gastroenterology（2022 年影響因子為5.374，JCR 分區(qū)為Q2），其中Gastrointestinal Endoscopy為影響因子最高且共被引次數(shù)最多的期刊，在該領(lǐng)域具有較高的學(xué)術(shù)影響力。施引期刊的所屬領(lǐng)域集中在2 個(gè)領(lǐng)域；被引期刊的所屬領(lǐng)域也集中在2 個(gè)領(lǐng)域，這意味著將AI 應(yīng)用于胃癌診治的過程中需要跨學(xué)科合作。

共被引次數(shù)排在前10 的文獻(xiàn)反映了將AI 應(yīng)用于胃癌診治相關(guān)研究的熱點(diǎn)方向，其中大多數(shù)文獻(xiàn)內(nèi)容涉及胃癌或早期胃癌的內(nèi)鏡診斷。Global cancer statistics 2018：GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries 一文的共被引次數(shù)最多，為基于全球185 個(gè)國(guó)家36 種癌癥發(fā)病率和死亡率的綜述［9］。共被引次數(shù)排在第2 位的為發(fā)表于Gastric Cancer 的文獻(xiàn)Application of artificial intelligence using a convolutional neural network for detecting gastric cancer in endoscopic images，該文主要介紹了由研究團(tuán)隊(duì)開發(fā)的一種根據(jù)內(nèi)窺鏡圖像自動(dòng)檢測(cè)胃癌的卷積神經(jīng)網(wǎng)絡(luò)系統(tǒng)，該系統(tǒng)具有高度敏感性，可以作為內(nèi)鏡醫(yī)師診斷胃癌時(shí)的輔助工具［10］。共被引文獻(xiàn)聚類時(shí)間線圖可顯示研究前沿的變化趨勢(shì)，胃癌的生物學(xué)特征［7，11］是早期研究熱點(diǎn)，隨后研究熱點(diǎn)轉(zhuǎn)變?yōu)槲赴┑臄?shù)字病理學(xué)診斷［12-13］和影像組學(xué)分析［14-17］。

所有關(guān)鍵詞可聚類為4 類，分別為AI 輔助胃癌的生物學(xué)研究，AI 輔助胃癌的內(nèi)鏡診斷，AI 輔助胃癌的病理診斷和AI 輔助胃癌的非內(nèi)鏡治療及預(yù)后預(yù)測(cè)。根據(jù)發(fā)文量統(tǒng)計(jì)結(jié)果，從2 個(gè)時(shí)期出發(fā)對(duì)關(guān)鍵詞聚類分析結(jié)果進(jìn)行分析。第1 個(gè)時(shí)期是2003—2016 年，在該時(shí)期年發(fā)文量緩慢增長(zhǎng)，領(lǐng)域研究主要關(guān)注胃癌分類和診斷，包括胃癌的生物標(biāo)志物檢測(cè)［18］、內(nèi)鏡診斷［19］和淋巴結(jié)轉(zhuǎn)移狀況預(yù)測(cè)。但使用的分析技術(shù)有限，且采用的數(shù)據(jù)集數(shù)量級(jí)較小。前列腺癌等其他癌癥領(lǐng)域AI 研究聚焦在癌癥篩查和手術(shù)治療［20］。第2 個(gè)時(shí)期是2017—2022 年，該時(shí)期年發(fā)文量快速增長(zhǎng)，計(jì)算機(jī)輔助診斷成為主要應(yīng)用方向。深度學(xué)習(xí)因其穩(wěn)定而卓越的性能成為出現(xiàn)頻次最高的AI 方法，現(xiàn)已被用于胃癌的內(nèi)鏡診斷［21］、病理學(xué)診斷［22］、分期［23-24］、療效和預(yù)后預(yù)測(cè)［16，25］，與關(guān)鍵詞疊加圖譜顯示的研究熱點(diǎn)基本一致。

與內(nèi)鏡醫(yī)師相比，基于深度學(xué)習(xí)的計(jì)算機(jī)輔助診斷系統(tǒng)在診斷疾病時(shí)不受限于內(nèi)鏡醫(yī)師的臨床經(jīng)驗(yàn)，有助于提高不同經(jīng)驗(yàn)水平內(nèi)鏡醫(yī)師的診斷準(zhǔn)確性，減少誤/漏診，有更高的診斷性能［26］。借助圖像增強(qiáng)內(nèi)鏡很難識(shí)別發(fā)生于非腫瘤性上皮和上皮下的病變［27］，而拉曼光譜與內(nèi)鏡、AI 技術(shù)的結(jié)合應(yīng)用有望彌補(bǔ)內(nèi)鏡檢查技術(shù)中存在的不足。此外，支持對(duì)病理圖像進(jìn)行分割的深度學(xué)習(xí)模型的運(yùn)用不僅有助于消除病理醫(yī)師在病理標(biāo)本檢查過程中主觀偏見造成的不利影響，還有助于解決注釋良好的病理圖像數(shù)據(jù)不足的難題［28］。由抗程序性死亡蛋白1（PD-1）/程序性死亡受體-配體1（PD-L1）和細(xì)胞毒性T 淋巴細(xì)胞相關(guān)蛋白4（CTLA-4）等免疫檢查點(diǎn)介導(dǎo)的共抑制信號(hào)通路在腫瘤誘導(dǎo)的免疫抑制中發(fā)揮重要作用［29］。微衛(wèi)星不穩(wěn)定和人類皰疹病毒（EBV）陽(yáng)性是胃癌患者長(zhǎng)期預(yù)后較好的生物標(biāo)志物，兩種亞型（微衛(wèi)星不穩(wěn)定型、EBV 陽(yáng)性型）胃癌對(duì)免疫抑制劑具有潛在易感性。而深度學(xué)習(xí)模型可以從經(jīng)蘇木精-伊紅染色的胃癌組織切片中檢測(cè)微衛(wèi)星不穩(wěn)定和EBV 陽(yáng)性狀態(tài)，可作為后續(xù)需要接受分子檢測(cè)人群的篩選工具，并預(yù)測(cè)患者對(duì)免疫治療的反應(yīng)性［25］?；谟?jì)算機(jī)斷層掃描圖像的深度學(xué)習(xí)模型的運(yùn)用有助于放射科醫(yī)師評(píng)估胃癌淋巴結(jié)轉(zhuǎn)移［30］、漿膜浸潤(rùn)［31］和腹膜轉(zhuǎn)移［32］情況，指導(dǎo)胃癌患者術(shù)前治療，避免不必要的手術(shù)和并發(fā)癥的發(fā)生。內(nèi)鏡檢查、影像識(shí)別和生物標(biāo)志物篩查技術(shù)與AI 的結(jié)合為胃癌檢測(cè)、治療和監(jiān)測(cè)工作的開展提供了更多可能性。

本研究結(jié)果表明，AI 已被廣泛應(yīng)用于胃癌診治領(lǐng)域，未來該領(lǐng)域研究年發(fā)文量將持續(xù)增長(zhǎng)。美國(guó)在本領(lǐng)域占據(jù)主導(dǎo)地位，中國(guó)學(xué)者應(yīng)當(dāng)加強(qiáng)與其他國(guó)家（地區(qū)）學(xué)者的交流、合作，致力于提升我國(guó)研究成果的學(xué)術(shù)影響力。深度學(xué)習(xí)、卷積神經(jīng)網(wǎng)絡(luò)及影像組學(xué)等AI 技術(shù)輔助胃癌的內(nèi)鏡診斷、病理診斷和免疫治療是當(dāng)前研究熱點(diǎn)與前沿方向，而開發(fā)出可支持實(shí)時(shí)內(nèi)鏡診斷、病理診斷，以及結(jié)合基因組學(xué)和蛋白質(zhì)組學(xué)進(jìn)行胃癌綜合診斷的AI 系統(tǒng)可能是未來研究的重點(diǎn)。因AI 具備高效的學(xué)習(xí)能力和計(jì)算能力，未來將會(huì)得到進(jìn)一步的推廣應(yīng)用。但AI 在未來的臨床實(shí)踐中不會(huì)完全取代醫(yī)師，將人工服務(wù)與AI 相結(jié)合可彌補(bǔ)部分國(guó)家（地區(qū)）和醫(yī)療機(jī)構(gòu)醫(yī)療資源、專業(yè)內(nèi)鏡與病理醫(yī)師缺乏的不足，助力AI在胃癌診治領(lǐng)域?qū)崿F(xiàn)新突破。本文局限性：由于文獻(xiàn)的被引用次數(shù)受其發(fā)表時(shí)間的影響，因此于2022 年發(fā)表的高質(zhì)量文獻(xiàn)的被引用次數(shù)可能還沒達(dá)到理想的水平，這可能導(dǎo)致研究前沿的探索結(jié)果出現(xiàn)時(shí)間上的延遲；此外，本文僅將WOS 核心合集數(shù)據(jù)庫(kù)中的英文文獻(xiàn)納入分析范疇，可能導(dǎo)致其他語(yǔ)種文獻(xiàn)被遺漏。

作者貢獻(xiàn)：董娜進(jìn)行文章撰寫和修改；崔婷負(fù)責(zé)確定研究?jī)?nèi)容及數(shù)據(jù)檢索；王露露、師榮慧使用VOSviewer 和CiteSpace 軟件繪制圖譜；馮潔指導(dǎo)數(shù)據(jù)分析；黃曉俊負(fù)責(zé)文章質(zhì)量控制，對(duì)文章整體負(fù)責(zé)。

本文無利益沖突。