《DIGITAL HEALTH》：Applications of artificial intelligence in cerebral palsy research: A bibliometric analysis
编辑推荐：
专业摘要翻译：人工智能（AI）在脑性瘫痪（CP）诊断与治疗中的应用研究持续增长。然而，该领域的整体研究格局、合作模式及主题演变尚未得到系统性总结。本研究旨在通过文献计量学分析，阐明当前研究现状、研究热点的变迁及现存局限性，从而为未来研究提供全面参考。研究人员共
专业摘要翻译：人工智能（AI）在脑性瘫痪（CP）诊断与治疗中的应用研究持续增长。然而，该领域的整体研究格局、合作模式及主题演变尚未得到系统性总结。本研究旨在通过文献计量学分析，阐明当前研究现状、研究热点的变迁及现存局限性，从而为未来研究提供全面参考。研究人员共纳入过去20年间发表的278篇关于AI在CP中应用的英文文献，采用R-bibliometrix、VOSviewer、Scimago Graphica及Pajek等多种文献计量工具，系统分析了该领域的文献分布、合作网络、知识基础及研究热点的时间演变。结果表明，该领域呈现快速增长与跨学科发展态势。全球研究产出以欧洲和北美国家为主导，具有紧密的区域内合作特征，而深入的跨团队、跨学科及跨国联合研究仍较为匮乏。该领域已形成两大核心研究主题：高危婴儿CP的早期筛查与风险预测，以及已确诊CP儿童的运动功能智能评估。研究热点已逐步从传统机器学习转向基于深度学习的自动特征提取。当前，该领域存在研究重点失衡、模型可解释性不足及临床转化受限等问题。数据标准不一致及对单模态数据的过度依赖，极大限制了智能模型的泛化能力与临床应用价值。未来研究应促进深入的多中心、跨学科及跨国科学合作，构建标准化的多模态数据集，并开发可解释的智能模型。同时，应探索康复反应预测及长期预后追踪等研究不足的方向。加强算法模型的临床转化，将进一步完善CP人工智能辅助精准康复的跨学科研究体系，推动儿童康复的高质量与智能化发展。
论文解读文章
一、研究背景与问题提出
脑性瘫痪（CP）是一种由胎儿期或婴儿期发生的非进行性脑损伤所致的永久性神经发育障碍，其核心临床表现包括持续性中枢性运动功能障碍和姿势异常，是儿童身体残疾的主要原因之一。尽管现代围产医学和高危新生儿监护技术的进步降低了CP的总体发病率，但长期运动障碍、终身残疾及继发性心理社会功能障碍仍无法完全避免，严重影响患儿生活质量，增加家庭照护负担，并给公共卫生系统带来压力。
随着人工智能（AI）的快速发展，机器学习、深度学习及计算机视觉算法已被广泛应用于医学图像识别、临床风险预测、计算机辅助诊断及定量康复评估等临床场景，展现出自动化、精准化和客观量化方面的显著优势。面对CP临床管理中存在的早期筛查滞后、人工评估主观、功能分级粗糙及康复评估缺乏精准量化指标等现实瓶颈，AI为高危婴儿早期筛查、运动功能客观定量评估及个体化康复干预提供了新的技术路径。
然而，目前尚缺乏基于全球文献的系统性全景分析。该领域的全球研究产出格局、国际合作模式、核心研究团队、主要期刊及研究热点的时间演变均不清晰。此类宏观信息对于理解领域进展、识别研究空白、建立国际科学合作、选择合适发表平台及指导后续创新至关重要。因此，本研究采用文献计量学方法，系统检索过去20年间AI在CP中应用的文献，全面分析文献分布特征、合作网络结构及主题演变趋势，旨在阐明该领域的研究现状与局限性，为AI赋能CP精准诊疗与智能康复的创新研究提供宏观参考和科学证据。
二、研究内容与主要结论
研究人员从Web of Science核心合集（WoSCC）中检索了2005年1月1日至2025年12月31日期间发表的AI在CP中应用的文献，经严格筛选后最终纳入278篇出版物。研究采用R-bibliometrix和VOSviewer进行描述性统计与文献计量分析，使用Scimago Graphica和Pajek生成可视化图谱，系统分析了文献分布、合作网络、知识基础及研究热点的时演变。
研究得出以下主要结论：该领域呈现快速增长态势，2025年达到年发文量59篇的峰值。美国以79篇发文量和1810次总被引位居全球首位，中国以44篇位列第二。全球研究产出以欧洲和北美国家为主导，形成了以美国为核心的国际合作网络，欧洲区域内合作紧密，而深入的跨团队、跨学科和跨国联合研究仍显不足。高产机构主要集中在欧洲和北美的大学及专科儿童医疗中心，西安交通大学是亚洲唯一的高产机构。核心作者形成了多个相对独立的研究团队，以Bertoncelli团队最为活跃。发文期刊分为工程技术类和临床医学类两大类，Sensors、Gait & Posture和IEEE Access为三大高产期刊。高被引文献确立了该领域两大核心研究范式：基于婴儿自发运动视频和计算机视觉的CP早期预测，以及基于机器学习的CP儿童步态模式识别和运动功能评估。关键词聚类和时间演变分析显示，研究热点已从传统机器学习逐步转向深度学习驱动的自动特征提取。
三、关键技术方法
本研究主要采用了以下关键技术方法：基于R语言的R-bibliometrix工具进行发文量、国家、机构、作者和期刊的描述性统计及关键词趋势分析；VOSviewer（版本1.6.20）用于国家、机构、作者和关键词的共现分析与网络可视化，采用VOS聚类技术和smart local moving算法进行聚类划分；Scimago Graphica和Pajek用于生成地图和网络可视化图谱；采用h指数量化核心作者和期刊的学术影响力；采用全计数法统计合著文献的国别、机构和作者贡献。数据来源于Web of Science核心合集（WoSCC），检索时间跨度为2005年1月1日至2025年12月31日。
四、研究结果
4.1 国家生产力与协作分析
纳入文献来自50个国家。美国以79篇发文量和1810次总被引位居首位，中国以44篇位列第二，意大利和德国并列第三（各24篇）。挪威、澳大利亚和英国虽发文量相对有限，但保持着较高的被引次数，显示出较强的学术影响力。国际合作网络形成了以美国为核心、欧洲区域内紧密协作的格局，中国与欧洲和北美多个国家建立了跨国合作伙伴关系。
4.2 机构生产力与协作分析
共有609家机构参与研究。挪威科技大学以10篇发文量位居首位，Gillette儿童专科医疗保健机构和明尼苏达大学并列第二（各9篇）。机构合作网络识别出四个独立集群：绿色集群（挪威科技大学、西北大学、西安交通大学）聚焦于基于计算机视频分析的CP早期预测；蓝色集群（拉奎拉大学、邓南遮大学、佛罗里达国际大学）专注于机器学习临床风险预测和表型分层；橙色集群（明尼苏达大学、Gillette儿童专科医疗保健机构）利用步态数据和机器学习辅助临床决策；紫色集群（科隆大学）聚焦于AI辅助粗大运动功能评估。
4.3 作者生产力与协作分析
共有1373位作者参与研究。Bertoncelli D以11篇发文量位居首位，H指数为7。Adde L、Bertoncelli CM、Schwartz MH和Solla F并列第二（各10篇），其中Schwartz MH的H指数最高（9）。作者合作网络形成了以Bertoncelli D和Bertoncelli CM为中心的红色集群（最大团队）、以Adde L为代表的协作组，以及Duran I和Schoenau E组成的独立分支。核心作者的研究方向主要集中于AI早期筛查、步态分析、风险预测和运动功能评估。
4.4 期刊生产力与趋势分析
138种期刊发表了相关研究。Sensors以16篇位居首位，Gait & Posture和IEEE Access并列第二（各14篇）。IEEE Transactions on Neural Systems and Rehabilitation Engineering以12篇发文量和6.6的最高影响因子位列第四。期刊分为工程技术类和临床医学类两大类，反映了该领域的跨学科特征。Gait & Posture最早于2006年开始发表相关研究，2019年后各主要期刊累计发文量急剧上升，工程类期刊逐渐成为创新成果的主要发表平台。
4.5 数据集中高被引文献
高被引文献构成了该领域的知识基础。Stahl等人提出的基于光流法的婴儿CP早期预测框架和Ihlen等人开发的CIMA机器学习模型各获21次被引，位居前两位。Zhang等人比较了七种监督学习算法用于痉挛性双瘫儿童矢状面步态模式分类，证实人工神经网络分类精度最高，决策树因良好的可解释性而具有临床应用前景。高被引文献在主题上呈现明显聚类：多数基础研究聚焦于高危婴儿自发运动视频分析和基于计算机视觉与深度学习的CP早期筛查，其他重要贡献涉及基于机器学习的CP儿童步态识别和运动模式分类。
4.6 关键词共现与时间趋势分析
从278篇文献中提取了1369个关键词，对频次≥20的32个关键词进行网络聚类，得到四个主题集群：红色集群聚焦步态分析和运动功能评估；蓝色集群以CP、儿童和运动为核心枢纽；黄色集群围绕深度学习和AI诊断预测；绿色集群涵盖运动学、全身运动、视频分析和特征提取；紫色集群对应模式识别和分类算法。时间演变分析显示，步态相关研究最早出现并于2022年达到峰值，机器学习研究于2023年达到峰值，深度学习和预测研究均于2024年达到峰值，其中深度学习获得最高词频，表明其是该领域近年最前沿的研究主题。
五、讨论总结与结论翻译
讨论部分指出，该领域存在科研合作不足、研究重点失衡、模型可解释性不足和临床转化受限等突出问题。多数研究仅依赖视觉运动捕捉数据分析可观察的运动行为，忽视了潜在的病理机制。各机构间数据采集设备和评估方案的差异导致数据集质量不一致，限制了模型的泛化性和可迁移性。未来应推动多中心跨国合作，建立统一的数据采集和质量控制标准，系统整合步态视频、深度成像、足底压力、肌电图（EMG）和脑电图（EEG）等多模态数据，采用联邦学习框架进行跨机构协作建模。同时，可引入具有强大自注意力机制和跨模态对齐能力的Transformer模型，构建融合步态视频、EMG信号和功能性磁共振成像（fMRI）数据的多模态智能框架，同时捕捉外部时序运动特征和内部神经肌肉病理特征，实现从外部行为评估到内部神经机制解释的全链条智能分析。
研究结论部分翻译如下：AI在CP中的应用研究呈现快速增长态势，全球研究格局以北美和欧洲机构为主导。早期智能筛查、早期风险预测与预后评估以及AI辅助运动功能评估构成了该领域的核心研究主题。当前，该领域面临深入科学合作不足、研究重点失衡、模型可解释性有限及临床转化不充分等挑战。此外，对单模态数据的过度依赖和数据标准不一致显著限制了现有模型的泛化能力。未来研究应优先推进跨区域、多中心和跨学科合作研究，构建标准化高质量数据集，加快多模态融合模型和可解释AI模型的开发，同时关注康复疗效预测和长期预后追踪等研究不足的方向。加强算法技术的临床转化，将有助于完善AI辅助CP诊疗与康复的研究框架，最终推动CP患者的智能化精准康复。
