人工智能驱动血液学变革：文献计量学揭示的研究趋势与应用前景

《Annals of Hematology》：Artificial intelligence in hematology: current trends and application areas

本研究通过文献计量学方法系统分析AI在血液学领域的研究趋势，发现美国和中国是主要贡献国，研究热点集中在血栓形成、造血干细胞移植和白血病诊断等方向。AI技术显著提升了血液疾病的诊断准确性和预后预测能力，为临床决策支持系统开发提供了重要依据。

　　

随着人工智能技术的快速发展，其在医学领域的应用正以前所未有的速度改变着传统医疗模式。在血液学这一涉及复杂诊断和治疗决策的专科领域，AI技术展现出巨大潜力。然而，面对快速增长的学术文献，研究人员和临床医生迫切需要全面了解该领域的研究热点和发展趋势，以便更好地把握研究方向和应用前景。

为此，研究人员开展了一项系统的文献计量学研究，通过分析Web of Science数据库中1980-2025年间376篇原创研究论文，揭示了AI在血液学领域的应用现状和发展脉络。这项研究不仅识别了主要的研究力量和国家分布，还通过关键词分析和因子分析揭示了该领域的研究热点和主题集群。

研究团队采用文献计量学方法，主要运用了RStudio中的Bibliometrix软件包进行数据分析。关键技术包括趋势关键词分析、因子分析和多重对应分析，数据来源为Web of Science核心合集数据库，时间跨度为1980年至2025年6月1日，最终纳入分析的376篇原创研究文章均经过严格筛选。

全球生产力分析

美国以111篇论文成为该领域最具生产力的国家，其次是中国（79篇）、英国（22篇）和德国（21篇）。哈佛大学是领先的研究机构，显示出发达国家在AI血液学研究中的主导地位。年度发表趋势显示，2019年后相关研究迅速增长，2024年达到高峰，反映出该领域研究热度的持续上升。

趋势主题分析

通过对957个关键词的分析，研究发现AI在血液学的应用主要集中在血栓形成、静脉血栓栓塞（VTE）、风险评估、造血干细胞移植（HSCT）、心房颤动、抗凝剂、形态学分析、血液管理、脓毒症和急性髓系白血病（AML）等领域。近年来，转录组学、预测建模、HSCT、血液管理和COVID-19相关并发症等主题受到越来越多的关注。

趋势演变分析显示，早期研究主要关注统计学方法和传统血液疾病，而近年来则转向机器学习（ML）、深度学习（DL）、自然语言处理（NLP）等先进技术和临床决策支持系统。特别是在2024-2025年，nomogram和转录组学等个性化医疗相关主题崭露头角，预示着研究重点向精准医学方向的转变。

因子分析

通过因子分析，研究将AI在血液学的文献划分为五个主要集群：AI与核心血液疾病、临床质量改进、使用健康数据的风险预测、重症监护以及心血管应用。这一分类框架清晰地展示了AI技术在血液学不同子领域的分工和应用特点。

AI在血栓形成和VTE中的临床应用

Gil等人（2023）的研究展示了AI算法在VTE筛查和治疗管理中的广泛应用，强调了大语言模型和生成式AI技术在医疗数据处理中的革命性潜力。Ding等人（2023）开发的XGBoost模型在预测髋关节置换术后深静脉血栓形成（DVT）和肺栓塞方面表现出色，灵敏度达91.3%，特异性达99.8%。Wang等人（2023）的AI模型在预测髋膝关节置换术后DVT风险时，曲线下面积（AUC）达到92%，灵敏度为80.3%。这些研究均表明AI模型在预测血栓并发症方面优于传统的评分系统。

AI在HSCT中的应用

Pagliuca等人（2024）使用随机生存森林（RSF）和Lasso/弹性网络模型研究免疫遗传变量对异基因干细胞移植结果的影响，发现HLA进化分歧（HED）值能够预测复发、急慢性移植物抗宿主病（GVHD）和总体生存等关键结局。MatchGraft.AI模型基于随机森林算法，在国际回顾性队列中预测个体急性GVHD（aGvHD）风险，AUC性能达到70%。此外，基于卷积神经网络（CNN）的模型利用日本国家注册数据库，结合NLP和可解释AI算法对18，763名患者的aGvHD风险进行分类，显著优于传统方法的预测准确性。

AI驱动的诊断和预后

在急性髓系白血病（AML）领域，AI应用主要集中于血液或骨髓图像的诊断和预后建模。Al-Obeidat等人（2025）的荟萃分析显示，深度学习算法如CNN可以从显微镜血液图像中以超过95%的准确度和灵敏度检测AML病例。对于遗传学未定义或临床异质性亚型如非特指型AML（AML-NOS），Lopez-Caro等人（2024）开发的RSF算法能够将AML-NOS病例分为低、中、高风险组，一致性指数（c-index）超过0.77。

跨血液疾病的更广泛临床整合

除了VTE、HSCT和白血病，AI还日益应用于其他临床相关疾病，如心房颤动、抗凝治疗、形态学分析、脓毒症和镰状细胞病。Zhao等人（2023）开发了机器学习模型预测心房颤动患者左心耳血栓形成，Fard等人（2024）显示基于AI的模型在预测延长抗凝治疗期间出血风险方面优于传统方法，Chrysafi等人（2024）将AI的作用扩展到药物创新领域，支持新型抗凝分子的设计。

这项研究通过系统的文献计量分析，清晰地展示了AI技术在血液学领域的快速发展轨迹和应用前景。从最初的基础统计分析到如今的高级AI技术整合，从单一的诊断辅助到全方位的临床决策支持，AI正在深刻改变血液学的临床实践模式。五个主题集群的识别不仅反映了当前的研究热点，也为未来的研究方向提供了重要指引。

研究的局限性主要在于数据来源仅限于Web of Science数据库，可能遗漏了其他数据库中的重要研究。此外，横断面研究设计意味着随着新研究的发表，分析结果可能需要更新。尽管如此，这项研究为理解AI在血液学领域的现状和未来趋势提供了重要参考，对临床医生、研究人员和技术开发者都具有重要的指导价值。

随着技术的不断进步和临床应用的深入，AI有望在血液疾病的风险预测、精准诊断、个性化治疗和预后评估等方面发挥更加重要的作用，最终实现提高医疗质量和改善患者预后的目标。未来的研究需要更多前瞻性临床试验来验证AI模型的临床效用，推动AI技术从研究工具向临床实践的转化。