人工智能与影像组学在肿瘤学中的十年发展：文献计量与可视化分析揭示研究热点与未来趋势

本研究通过文献计量学方法系统分析了2015-2024年人工智能（AI）与影像组学（Radiomics）在肿瘤学领域的研究进展。研究人员利用Web of Science数据库筛选4127篇文献，结合Bibliometrix R、VOSviewer和CiteSpace工具，揭示了中美两国主导的研究格局、核心作者团队（如Tian Jie和Lambin P）及前沿期刊《Frontiers in Oncology》。研究发现AI驱动的影像组学技术正推动肿瘤精准诊断（如微血管浸润预测）和治疗方案优化（如放疗靶区自动分割），但面临数据标准化等挑战。该研究为领域内学者提供了全景式参考，助力未来研究方向选择。

　　

论文解读

在肿瘤诊疗领域，医生长期面临一个核心矛盾：传统医学影像分析依赖主观经验，难以捕捉肉眼不可见的肿瘤异质性特征。这种局限性导致早期微小肿瘤漏诊、治疗反应评估滞后等问题。随着医学影像数据爆炸式增长，人类医生处理海量信息的效率瓶颈日益凸显。正是在这样的背景下，影像组学（Radiomics）技术应运而生——它通过高通量提取CT/MRI图像中的上千个定量特征，结合人工智能（AI）算法挖掘隐藏的生物学信息，为破解肿瘤诊疗难题提供了新思路。

中国的研究团队在《Discover Oncology》发表了一项开创性研究，首次采用文献计量学方法系统描绘了AI与影像组学在肿瘤学领域的十年发展图谱。通过分析全球89个国家/地区的4127篇文献，团队发现中国以2087篇论文（占总量50.57%）成为最活跃的研究阵地，但美国论文的篇均引用量（39次）远超中国（14.5次），反映出研究质量的国际差异。Fudan University和Sun Yat-sen University是最高产机构，而比利时学者Lambin P（Radiomics概念提出者）和美国学者Gillies RJ（肿瘤异质性研究先驱）成为最具影响力的学术引领者。

关键技术方法
研究团队采用多工具协同分析策略：1）通过Web of Science检索2015-2024年英文文献，筛选标准包含肿瘤类型（36种癌症）、AI技术（机器学习/深度学习等）和影像组学术语；2）运用Bibliometrix R包统计国家/地区、机构、作者分布；3）基于VOSviewer构建合作网络图谱，分析国家/机构间合作强度（TLS）；4）利用CiteSpace进行文献共被引聚类，识别研究热点演进路径；5）结合H-index和期刊影响因子（IF）评估学术影响力。

研究结果

3.1 全球发文趋势
2015年仅6篇相关论文，2024年激增至1101篇，2020-2021年增长率达63.75%。92.39%的论文集中于最近5年，显示AI+影像组学技术进入爆发期。中国在2020年超越意大利成为年发文量第一，反映其在该领域的快速布局。

3.2 国家/机构合作特征
中美形成双极研究格局，但国际合作呈现"区域性聚集"特点：美国与巴西、以色列等国合作紧密（TLS=897），中国则主要联动澳大利亚、埃及等国家（TLS=411）。值得注意的是，荷兰虽发文量仅第5位，但篇均引用高达56.8次，其Maastricht University是前十机构中唯一的非中国院校。

3.4 核心学术群体
Tian Jie（60篇）和Cuocolo Renato（30篇）是最高产作者，而Lambin P的2017年综述被引1587次，其提出的影像组学质量评分（RQS）已成为领域金标准。PyRadiomics工具开发者Van Griethuysen JJM和影像生物标志物标准化倡议（IBSI）领导者Zwanenburg A分别以976次和747次共被引位列前五。

3.6 研究热点演进
关键词爆发分析揭示三个阶段：1）早期（2015-2018）聚焦纹理特征、肺