综述：人工智能在头颈癌中的应用：研究现状、新兴趋势与挑战的文献计量分析

这篇综述通过文献计量学方法系统分析了1995-2025年AI（Artificial Intelligence）在头颈癌（HNCs）领域的研究格局，揭示了以中国和美国为主导的研究力量、12个关键词聚类（如"自动诊断"和"可解释AI"）的发展轨迹，以及AI在放疗靶区勾画（target volumes）、预后预测（prognosis）等临床转化中的三大范式转变。

　　

引言

头颈癌（HNCs）作为全球第七大常见恶性肿瘤，具有解剖复杂、易转移复发等特点。随着大数据和AI算法的发展，深度学习（DL）等技术在医学影像分析、放疗优化等领域展现出变革性潜力。本文通过CiteSpace等工具对362篇文献进行量化分析，揭示该领域的知识结构和未来方向。

研究方法

采用Web of Science核心合集数据源，运用文献计量学方法结合CiteSpace、VOSviewer等软件，对55个国家189个机构的研究进行共现分析和聚类可视化。通过三重盲法筛选文献，最终纳入362篇原创性论文进行全景扫描。

研究现状

国家分布：中国以87篇文献量居首，美国（84篇）则在国际合作中占据枢纽地位。机构表现：德克萨斯大学系统（15篇）和中山大学（8篇）成为关键桥梁。学术先锋：美国学者Bur, Andres M最早将机器学习应用于淋巴结转移预测，而意大利团队Peretti和Sampieri在喉镜AI分割技术上取得突破。

期刊影响力：《放射治疗与肿瘤学》（Radiotherapy And Oncology）以307次引用成为最具影响力期刊，其2019年发表的AI自动分割综述奠定技术标杆。2024年《肿瘤前沿》（Frontiers in Oncology）年发文量超20篇，反映领域热度攀升。

热点演进

关键词爆发检测显示研究分两阶段跃迁：

1. 1.

   技术奠基期（2015-2019）：聚焦"医学影像"和"调强放疗（IMRT）"，CNN算法初步应用于CT/MRI图像分类。

2. 2.

   临床转化期（2020-2025）：关键词"靶区勾画"（强度3.74）、"自动诊断"和"生存预测"爆发，标志三大范式转变：

   • •

     放疗剂量预测误差从传统方法的15%降至AI驱动的7%

   • •

     口腔癌AI筛查准确率达95%（结合临床数据时）

   • •

     动态预后模型整合EBV DNA等实时指标

12个聚类中最新出现的"可解释AI（X-AI）"和"自然智能"反映对算法透明度的追求，而2023年新兴的"耐药性癌症"提示未来研究方向。

挑战与展望

当前面临四大核心挑战：

1. 1.

   数据壁垒：多中心数据集标准化程度不足，如开放KBP数据集仅覆盖欧美人群

2. 2.

   算法黑箱：CNN决策过程缺乏可解释性，X-AI通过特征映射使准确率提升12%的同时保持透明度

3. 3.

   伦理困境：训练数据中亚洲样本占比不足30%可能导致诊断偏差

4. 4.

   临床验证缺口：仅5%的AI模型完成III期临床试验

未来需构建医工交叉平台，推动从"辅助决策"到"全流程管理"的跨越。特别是在并发症预测（如放射性口腔炎）和康复指导方面，多组学数据融合将开辟新战线。正如聚类分析所示，"指南制定"和"纹理分析"将成为下一阶段的关键词，标志着AI在头颈癌领域将从技术创新走向规范应用。