综述：人工智能与骨质疏松症领域二十年来的对话：基于文献计量学和可视化分析的研究轨迹与未来展望

《Frontiers in Medicine》：Two-decade dialogue between artificial intelligence and osteoporosis: research trajectories and frontier projections under bibliometric and visual analysis

人工智能在骨质疏松研究中的应用进展及挑战（摘要） 本研究系统评估了2004-2024年人工智能（AI）在骨质疏松领域的进展，通过科学计量和可视化技术发现：AI驱动的影像诊断（如深度学习分析X光、CT/MRI）显著提升了诊断准确性和早期筛查效率，中国和美国主导研究产出，但国际合作不足。然而，数据偏差、模型黑箱、临床整合困难和伦理隐私问题仍制约其应用。研究提出需加强多中心数据协作、开发可解释AI模型、建立适应AI的监管框架。（

　　近年来，人工智能（AI）在医学领域的应用迅速发展，特别是在骨质疏松症研究中展现出巨大的潜力。这项研究系统评估了从2004年至2024年间AI驱动的骨质疏松症研究的学术进展，利用科学计量和可视化技术对知识领域进行映射，识别出新兴趋势，并提出切实可行的建议和战略方向，以指导未来的研究工作。研究通过文献计量分析揭示了AI在骨质疏松症领域的研究动态、国家和机构的贡献、期刊和作者的影响，以及关键词的出现和爆发趋势，从而为研究人员、临床医生和政策制定者提供全面的视角。

骨质疏松症是一种以骨重建失衡为特征的代谢性骨病，表现为骨密度下降、微结构退化以及机械强度减弱，导致骨折风险显著上升。随着全球老龄化进程的加快，该病的发病率逐年上升，而治疗率却相对下降。女性，尤其是绝经后女性，受到骨质疏松症的影响更为显著。据最新研究预测，到2030年至2034年间，全球骨质疏松症病例将达到2.632亿，其中女性患者约为1.544亿，男性患者约为1.088亿。同时，该疾病对社会的负担以伤残调整生命年（DALYs）衡量，预计将达到1.287亿，其中女性占比约78.4%，男性约50.3%。这些数据不仅揭示了骨质疏松症的广泛影响，还突显了性别差异和公共健康危机的加剧。因此，骨质疏松症的预防和治疗已成为全球公共卫生的重要议题。该病的隐匿性使得早期筛查和干预尤为关键，因为症状往往在骨折发生前并不明显，这使得及时诊断和干预成为延缓疾病进展、预防严重骨折及其并发症的关键窗口。

人工智能，尤其是深度学习和卷积神经网络（CNNs），已成为医学领域的重要创新力量，为长期存在的临床难题提供了新的解决方案。在医学影像——骨质疏松症诊断的核心——AI算法展现了卓越的能力，包括自动化影像分析、提升诊断准确性以及识别超出人类感知范围的细微模式。这种能力对于骨质疏松症尤为重要，因为过去二十年的研究主要集中在利用X光、CT和MRI等技术开发自动化系统，以实现机会性筛查和诊断。AI驱动的工具不仅在某些任务中表现出与专家相当的诊断性能，还具有标准化诊断流程、提高早期检出率以及改善医疗可及性的巨大潜力，特别是在医疗资源有限的地区。

然而，将AI技术整合到骨质疏松症的常规诊疗中仍面临诸多领域特定的挑战，这些挑战不仅涉及技术性能，还涵盖临床应用、伦理和隐私问题等多个层面。首先，许多研究受限于方法论上的不足，如使用小样本、回顾性或单中心数据，这可能导致模型过拟合，限制研究结果的普遍适用性。其次，许多复杂的AI模型具有“黑箱”特性，其决策过程缺乏透明度，这使得临床医生难以理解和信任AI的预测结果，从而影响其在临床决策中的应用。此外，将AI与现有临床工作流程无缝整合仍是一个重大障碍。最后，涉及患者敏感数据的隐私保护和算法偏见可能加剧医疗资源分配不均的问题，需要在广泛应用之前积极解决。

尽管文献数量和质量在AI与骨质疏松症的交叉领域不断增长，但仍缺乏系统性的文献计量分析，以全面描绘该领域的知识图景并指导未来研究方向。因此，本研究采用文献计量方法，利用VOSviewer、CiteSpace和Bibliometrix等工具对AI在骨质疏松症研究中的应用进行了跨学科的分析。研究的目的是回答以下几个关键问题：哪些是该领域的重要文献和关键转折点？当前的研究前沿和热点是什么？它们是如何随时间演变的？哪些国家、机构和作者做出了最大贡献？以及这些贡献背后的协同网络是怎样的？通过回答这些问题，本研究旨在提供一个客观、全面的综述，并明确未来推动AI在骨质疏松症诊断与管理中的应用的战略优先事项。

研究数据来源于Web of Science核心合集（WoS-CC），这是全球知名的高质量文献数据库，提供了标准化、严谨的引用数据。研究团队于2024年12月10日进行文献检索，涵盖2004年至2024年期间发表的英文文章和综述，共筛选出408篇文献，包括343篇文章和65篇综述。检索策略采用两个搜索条件：一是与骨质疏松症相关的术语（如“osteoporosis”、“osteopenia”、“bone loss”等）；二是与AI相关的关键词（如“deep learning”、“convolutional neural network”等）。在初步检索后，团队通过系统地比较标题、作者列表和数字对象标识符（DOI）等信息，去除了重复记录。最终，研究聚焦于英文文献，以确保分析的一致性和可重复性，但这也可能忽略了其他语言中的重要研究。

文献计量分析揭示了AI在骨质疏松症研究中的发展趋势。从2004年至2018年，年度发表数量并未超过5篇，而从2018年至2023年，发表数量逐渐增加，2024年出现了爆发式增长，全年发表达到144篇，比前一年增长了73.49%，比2019年的14篇增长了10.3倍。这种增长趋势表明，AI在骨质疏松症研究中的学术关注度在过去七年中显著提升，并在2024年达到顶峰。这一增长可能受到多种因素的推动，包括深度学习架构的全球普及和应用，以及政策层面对于AI在医疗领域应用的日益重视，例如美国食品药品监督管理局（FDA）对基于AI的软件即医疗设备（SaMD）的监管框架逐步完善。

国家和机构的贡献分析显示，中国和美国在该领域中占据主导地位，分别贡献了119篇和95篇文章，合计占总发表量的52.45%。这表明这两个国家在AI驱动的骨质疏松症研究中具有显著的影响力。值得注意的是，尽管中国和美国的贡献率较高，但两国之间的直接合作相对较少，这可能受到地缘政治和战略因素的影响。相比之下，德国的图宾根技术大学（Technical University of Munich）和韩国的首尔国立大学（Seoul National University）在该领域中的合作网络更为广泛，表明它们在国际协作中扮演着重要角色。这些机构的高总链接强度（TLS）反映了其在国际合作中的枢纽地位，这得益于欧洲一体化研究政策和相对统一的伦理与数据标准，从而降低了国际合作的门槛。

期刊影响分析进一步揭示了AI在骨质疏松症研究中的学术传播路径。在分析的178份期刊中，前10名期刊包括《Osteoporosis International》、《Journal of Bone and Mineral Research》、《Bone》、《Radiology》和《European Radiology》等。这些期刊不仅在该领域具有较高的引用率，还显示出其在学术交流中的核心地位。此外，作者网络分析表明，Thomas Baum、Jan S. Kirschke和Nico Sollmann等学者在该领域具有较高的学术影响力。他们的研究不仅在数量上突出，还在质量上具有重要贡献，特别是在AI驱动的影像分析和诊断方面的突破。

关键词分析进一步揭示了该领域的研究主题和热点。研究团队使用VOSviewer对106个高频关键词进行了分析，其中“osteoporosis”、“deep learning”、“artificial intelligence”、“bone mineral density”和“diagnosis”是最具代表性的关键词。这些关键词的共现和爆发趋势表明，AI在骨质疏松症研究中的应用正逐步从基础研究转向临床实践。例如，“deep learning”和“CNNs”作为核心技术，被广泛用于影像分析，以提高诊断的准确性和效率。此外，一些新兴关键词如“performance”、“clinical use”和“QCT”反映了研究者对AI在临床环境中的实际应用和效果的关注。

研究还发现，AI在骨质疏松症诊断中的应用正在逐步拓展至多种影像技术，如X光、CT和MRI。例如，基于深度卷积神经网络（DCNN）的X光影像分析技术已被用于骨质疏松症的筛查和诊断，尤其是在缺乏DXA设备的基层医疗机构中，DCNN模型提供了一种经济高效且可行的替代方案。类似的，CT和QCT影像分析技术也在AI的推动下取得显著进展，如Pickhardt PJ等人开发的自动化算法，能够准确检测CT影像中的骨密度变化，并显著提高椎体压缩性骨折的识别率。这些AI工具不仅提高了诊断的准确性，还减少了额外的辐射暴露和时间成本，为大规模机会性筛查提供了支持。

此外，AI在MRI影像分析中的应用也展现出巨大潜力。例如，Yabu等人开发的基于CNN的自动化系统能够有效识别MRI影像中的新鲜骨质疏松性椎体骨折（OVFs），其诊断准确率与经验丰富的脊柱外科医生相当。另一项研究中，Yoda等人利用CNN模型区分骨质疏松性椎体骨折（OVFs）和恶性椎体骨折（MVFs），其准确率超过了脊柱外科医生。这些技术的进步不仅提高了诊断的精确度，还为临床医生提供了更全面的决策支持。

然而，AI在骨质疏松症中的应用仍面临诸多挑战。首先，数据的稀缺性和质量问题是主要瓶颈。许多模型依赖于回顾性或单中心数据，这可能导致数据偏差，限制模型的普遍适用性。例如，一个基于欧洲绝经后女性数据训练的骨折风险预测模型，在应用于亚洲男性或年轻患者时可能表现不佳，这不仅威胁模型的通用性，还可能加剧医疗资源分配不均的问题。为了解决这一问题，未来的研究需要优先考虑前瞻性、多中心合作，以建立涵盖多样人群、性别、年龄和共病情况的精细标注数据集。此外，采用隐私保护技术，如联邦学习，可以在不共享原始患者数据的情况下实现跨机构模型训练，从而提升数据多样性并确保数据安全。

其次，AI模型的“黑箱”特性是临床应用的重要障碍。模型的决策过程缺乏透明度，使得临床医生难以理解其预测结果，进而影响其在关键诊疗决策中的应用。这种缺乏可解释性不仅削弱了医患关系，还导致“研究到临床”的转化障碍。为了解决这一问题，该领域可以发展可解释AI（XAI）方法，如生成显著性图谱以突出关键影像特征，或提供简化的决策规则。这些工具能够将AI从“黑箱”转变为“透明顾问”，为临床医生提供可理解的诊断支持，从而建立信任、确保责任归属，并实现有意义的临床整合。

此外，AI模型的泛化能力不足是其临床安全性的关键问题。一个模型可能在训练数据集上表现优异，但在真实世界的患者群体、影像协议和疾病表现中，其性能可能显著下降。例如，一个基于腰椎QCT数据训练的骨密度测量模型可能无法准确评估髋部骨密度，因为这两个部位的骨结构和影像特征存在显著差异。因此，必须通过严格的外部验证和多样化的数据集来确保模型的临床适用性。解决方案包括采用更稳健的算法，并通过大规模的前瞻性临床试验来证明AI工具在改善患者预后（如降低实际骨折发生率）方面的真实效果，而不仅仅是提高诊断准确率。

除了技术挑战，伦理和隐私问题也是AI在骨质疏松症研究中的关键障碍。AI模型的开发通常需要大量敏感患者数据，这与保护患者隐私的核心义务存在冲突。如果数据在共享或存储过程中泄露，可能导致患者健康信息的滥用，严重损害患者信任。此外，算法偏见不仅是一个技术问题，更是一个严重的伦理问题。如果AI模型主要基于特定人群（如城市高收入群体）的数据进行训练，其在服务农村或经济欠发达群体时可能表现不佳，从而加剧现有的医疗不平等。解决这些问题需要系统性的方法：在技术层面，采用隐私增强技术，如联邦学习；在治理层面，建立严格且透明的数据治理框架，以明确数据所有权、知情同意和访问权限；最后，行业和监管机构应联合制定针对骨质疏松症AI应用的伦理审查指南，将公平性审计和偏见缓解作为模型验证的关键步骤。

综上所述，将AI转化为可靠的临床工具需要解决数据偏差、模型的“黑箱”特性、伦理困境和监管模糊性等核心挑战。这些挑战并非孤立存在，而是相互关联，共同构成了“研究到临床”的转化障碍。克服这一障碍不仅需要算法优化，更需要构建一个整合跨学科合作、临床验证和健全治理框架的生态系统。只有通过这样的系统性努力，才能充分发挥AI在骨质疏松症领域的变革潜力，实现从技术创新向临床应用的真正跨越。