人工智能在头颈癌研究中的知识图谱：一项1995-2025年的文献计量与可视化分析

《Hormones & Cancer》：Artificial intelligence in head and neck cancer: a bibliometric and visualization analysis (1995–2025)

本研究针对头颈癌（HNC）因解剖结构复杂、早期症状不典型及治疗副作用大导致的临床挑战，系统分析了1995-2025年间人工智能（AI）在该领域的应用趋势。通过文献计量学方法对230篇核心文献进行挖掘，发现深度学习（DL）已成为图像诊断、放疗规划和预后预测的核心技术，并揭示了以美国、中国和欧洲为主导的国际合作网络。研究结果为AI在头颈癌精准医疗中的临床转化提供了路线图，强调需加强模型可解释性和多中心数据整合。

　　

头颈癌（HNC）作为全球第六大常见恶性肿瘤，每年新增病例超过90万例，其治疗始终面临三大难题：解剖结构复杂导致手术和放疗定位困难、早期症状不典型造成诊断延迟，以及放化疗引发的严重毒性反应（如吞咽功能障碍和听力损伤）。传统诊断方法高度依赖医师经验，而放疗计划制定需在保护视神经、唾液腺等关键器官的同时精确靶向肿瘤，这些挑战亟需更精准、高效的技术支持。近年来，人工智能（AI）尤其是深度学习（DL）技术在医学领域的突破，为头颈癌的诊疗带来了新范式。然而，AI在头颈癌领域的研究轨迹、合作网络及前沿方向尚缺乏系统性总结。为此，蔡楚怡等人首次对1995-2025年间该领域的230篇核心文献进行了文献计量学分析，旨在绘制知识图谱，为未来研究提供战略参考。

本研究采用文献计量学方法，数据来源于Web of Science数据库，检索策略包含“头颈癌”和“人工智能”等关键词。最终纳入230篇英文文献（其中原创论文199篇，综述31篇），通过CiteSpace、VOSviewer等工具分析时间趋势、国家/机构贡献、作者合作网络及关键词演化。关键指标包括年发文量、引用频次、合作聚类和关键词突现检测。

主要技术方法概述

研究团队利用文献计量学工具（如CiteSpace和VOSviewer）对230篇文献进行量化分析，重点包括：（1）时间趋势分析，通过年发文量和引用曲线识别领域发展阶段；（2）空间分布分析，基于国家/机构合作网络揭示研究重心演变；（3）内容挖掘，采用共被引分析、关键词聚类和突现检测识别研究热点；（4）临床相关性评估，结合多模态数据（如影像、病理、基因组学）总结AI模型的临床应用价值。分析中特别关注深度学习（如卷积神经网络CNN、U-Net）在影像分割、预后预测等任务中的主导作用。

研究结果

3.1 文献概况与发展趋势

1995-2025年间，AI在头颈癌领域的年发文量呈现“休眠期（1996-2010）—缓慢增长期（2011-2020）—爆发期（2021-2025）”的演变特征。2024年发文量达64篇，较早期增长超20倍。引用分析显示，2013、2015、2018和2019年为关键拐点，对应里程碑研究（如放射组学预测模型、DeepSurv生存预测算法）的涌现。

3.2 国家/机构合作网络

美国（60篇）、中国（49篇）和荷兰（20篇）是贡献最大的国家，形成6大国际合作集群。早期（1995-2010）以荷兰为主导，后期北美（美、加）和欧洲（德、意）形成双中心格局。高产出机构中，46.15%位于欧洲，慕尼黑工业大学成为核心研究枢纽。

3.3 核心作者与期刊分布

荷兰格罗宁根大学的Langendijk JA以15年持续发文成为领域引领者，其团队在智能脑神经影像分析方面优势显著。期刊分析显示，Frontiers in Oncology（16篇）发文量最高，且70%的高产期刊属JCR Q1区，反映该领域研究质量较高。

3.4 研究热点演化

关键词聚类显示，AI研究聚焦于三大方向：（1）诊断优化（如淋巴结转移检测、口腔癌早期筛查）；（2）治疗支持（如放疗靶区自动勾画、毒性预测）；（3）预后模型（如生存预测、复发风险评估）。近年突现关键词包括ChatGPT、毒性、生活质量等，预示可解释AI和临床整合成为新趋势。

结论与展望

AI在头颈癌领域已形成多模态、多任务的研究生态，深度学习（特别是CNN和U-Net）在影像分析中居核心地位。当前挑战集中于模型泛化性、小样本学习及多中心数据标准化。未来需重点突破可解释AI、跨学科协作及伦理监管，以推动端到端临床应用。本研究通过文献计量学揭示了该领域的演化规律，为精准医疗在头颈癌的落地提供了战略蓝图。