《Egyptian Journal of Radiology and Nuclear Medicine》：Global research landscape of large language models in radiology reporting, summarization, and workflow: a bibliometric and knowledge-mapping analysis
编辑推荐：
背景：大型语言模型（Large Language Models，LLMs）正越来越多地被探索用于放射学相关的语言任务，包括报告生成、报告总结、结构化报告、信息提取、面向患者的沟通以及工作流程支持。尽管文献迅速增长，但整体研究格局尚未通过聚焦的文献计量分析得到正
背景：大型语言模型（Large Language Models，LLMs）正越来越多地被探索用于放射学相关的语言任务，包括报告生成、报告总结、结构化报告、信息提取、面向患者的沟通以及工作流程支持。尽管文献迅速增长，但整体研究格局尚未通过聚焦的文献计量分析得到正式描绘。
目的：利用文献计量学与知识图谱方法，刻画LLMs在放射学报告、总结及面向工作流程的应用中的全球研究格局。
方法：这项文献计量研究分析了OpenAlex索引中收录、发表于2020年1月1日至2026年4月11日期间的期刊文章。检索策略结合了与LLMs、放射学及报告或工作流程任务相关的术语，同时排除了以图像为主的人工智能应用。经过日期限制和文献类型过滤后，对标题和摘要进行相关性筛选。对纳入研究进行了发文增长、引文指标、主要期刊、国家、机构、开放获取状态及主题分布的分析。使用VOSviewer对标题和摘要术语的共现以及国家层面的合著关系进行了网络可视化。
结果：最终数据集包含265项研究。2020年至2022年间未识别出符合条件的研究；该领域于2023年兴起，发文26篇，2024年增至68篇，2025年达到峰值134篇，截至2026年4月11日另有37篇研究被索引。《Radiology》是发文最多的期刊，共18篇，其次是《Journal of Imaging Informatics in Medicine》15篇和《European Radiology》12篇。美国是主要贡献国家，共89项研究，其次是德国46项和中国33项。柏林洪堡大学（Humboldt-Universit?t zu Berlin）是成果最丰硕的机构，共12篇。265项研究累计获得4577次引用，篇均引用17.3次，中位数3次，H指数为32。开放获取文献占78.1%。主题图谱显示，主导性聚类集中于结构化报告、报告简化、印象生成、信息提取、以患者为中心的沟通以及LLMs面向工作流程的应用。
结论：自2023年以来，关于LLMs在放射学报告及相关工作流程任务中的研究迅速增长，产出集中于少数期刊、国家和机构。文献以实用的文本应用而非自主图像判读为中心。这些发现为这一新兴领域提供了聚焦的图谱，并强调了未来工作需要重视外部验证、前瞻性工作流程评估、隐私感知部署及方法学严谨性。
放射学报告中大型语言模型研究的全球格局：文献计量学与知识图谱解读
一、研究背景与问题
放射学报告是影像实践的核心产物，也是放射科医师向转诊临床医师传达发现、诊断印象和建议的主要途径，其质量直接影响临床解读、下游决策和护理连续性。结构化报告长期以来被倡导用于提高放射学工作流程中的清晰度、完整性、一致性和数据复用，但受工作流程中断、报告灵活性、本地偏好和互操作性等障碍影响，其在不同亚专科和机构间的实施仍不均衡。同时，传统自由文本报告在风格、术语和组织上差异较大，限制了临床医师和患者的可解读性，也制约了数据提取、质量改进和计算分析等二次利用。
在此背景下，大型语言模型（LLMs）凭借Transformer架构及其对长距离语言依赖的可扩展建模能力，成为语言理解和生成的有力工具。基础模型的概念将LLMs定位为在大规模语料上训练、可部署于多种下游任务的自适应系统。这些发展对放射学高度相关，因为报告、总结、结构化和沟通本质上是基于语言的活动。与早期基于规则或窄监督的自然语言处理流水线不同，LLMs能以最小的任务特定工程实现灵活文本转换、释义、总结和信息重组。然而，LLM输出可能受幻觉、偏见、不透明性、隐私风险和问责不确定性的影响，在临床环境中后果尤为严重。
尽管文献快速扩张，但整体研究格局尚未得到正式描绘。先前的文献计量工作考察了人工智能和影像组学在放射学中的更广泛模式，但并非针对LLMs在放射学报告及相关语言中心工作流程中的新兴研究。因此，研究人员开展此项研究，旨在通过文献计量学和知识图谱方法，绘制LLMs在放射学报告、总结和工作流程中的全球研究格局，识别主要贡献者，并阐明该领域的汇聚方向。
二、研究设计与主要技术方法
这是一项文献计量学研究，遵循生物医学文献文献计量综述报告初步指南（BIBLIO）。数据来源为OpenAlex数据库，检索于2026年4月11日，时间窗口为2020年1月1日至2026年4月11日。检索策略结合三组术语：LLM相关术语（如large language model、ChatGPT、GPT-4、Gemini、Claude、Llama等）、放射学相关术语（如radiology、CT、MRI、ultrasound等）以及任务相关术语（如reporting、structured reporting、workflow等），并排除以图像分类、分割、检测或图像直接诊断为主的图像AI应用。两名评审人员独立对标题和摘要进行人工筛选。纳入标准要求为英文期刊文章、具备充分书目元数据、与LLMs在放射学相关报告或工作流程任务中的应用相关；多模态LLM研究在评估放射学相关语言或工作流程任务时也纳入。数据导出后，研究人员使用VOSviewer进行网络可视化，包括基于标题和摘要术语的共现分析（以识别主题结构）和国家层面合著分析（以评估国际合作模式）。
三、主要研究结果
文献筛选流程：初始检索获得3511条记录，经日期限制后剩2828条，经文献类型过滤排除1106条后剩1722条，经标题和摘要筛选排除1457条，最终纳入265项研究。
发文增长：2020至2022年间无符合条件的研究；该领域于2023年兴起，发文26篇（9.8%），2024年增至68篇（25.7%），2025年达到峰值134篇（50.6%），截至2026年4月11日另有37篇（14.0%）。年增长率2023至2024年为161.5%，2024至2025年为97.1%。
主要期刊：《Radiology》以18篇（6.8%）居首，其次是《Journal of Imaging Informatics in Medicine》15篇（5.7%）和《European Radiology》12篇（4.5%）。《Academic Radiology》和《Scientific Reports》各8篇（3.0%）。前五名期刊合计61篇，占23.0%。
主要国家与国际合作：美国以89项研究（33.6%）领先，其中55项（61.8%）为国内研究，34项（38.2%）为国际合作。德国以46项（17.4%）居次，中国以33项（12.5%）第三。日本17项（6.4%），英国、韩国和土耳其各13项（4.9%）并列第五。英国国际合作比例最高（69.2%）。
主要机构：柏林洪堡大学以12篇（4.5%）居首，梅奥诊所亚利桑那分院和科隆大学医院各9篇（3.4%）并列第二，柏林夏里特医学院和慕尼黑德国心脏中心各8篇（3.0%）。
高被引论文：被引最多的五篇论文均发表于2023年，聚焦报告简化、平实语言翻译、结构化报告、印象生成和报告应用。最高被引论文为Katharina Jeblick发表于《European Radiology》的“ChatGPT makes medicine easy to swallow”，获495次引用；其次为Qing Lyu的平实语言翻译研究（331次）、Lisa C. Adams的GPT-4结构化报告研究（307次）、Zhaoyi Sun的印象生成研究（145次）和Asser Abou Elkassem的ChatGPT报告用例研究（131次）。
引文指标：265项研究累计4577次引用，篇均17.3次，中位数3次（四分位距0-14），H指数32。84篇（31.7%）零引用，10篇（3.8%）获至少100次引用。
开放获取状态：207篇（78.1%）为开放获取，58篇（21.9%）为封闭获取。金色开放获取最多（80篇，30.2%），其次为混合开放获取（55篇，20.8%）、钻石开放获取（38篇，14.3%）、绿色开放获取（26篇，9.8%）和青铜开放获取（8篇，3.0%）。
主题分布：OpenAlex分配的最常见主题标签为“医疗保健与教育中的人工智能”（96篇，36.2%），其次为“放射学实践与教育”（49篇，18.5%）、“医学影像中的影像组学与机器学习”（44篇，16.6%）、“主题建模”（40篇，15.1%）和“医疗保健中的机器学习”（8篇，3.0%）。
术语共现图谱：VOSviewer生成的共现网络显示多个主题聚类。红色聚类以“large language models”和“radiology reports”为中心，涵盖gpt-4、computed tomography、structured reporting、信息提取、放射学工作流程等；蓝色聚类围绕ChatGPT，涵盖报告简化、患者沟通、患者教育、Gemini、Claude等；绿色聚类包括MRI报告、诊断准确性、报告总结、印象生成、生成式AI等；黄色聚类包括报告生成、临床决策支持、提示工程、检索增强生成等。
国家合著网络：美国是最大且最中心的节点，与中国、英国、加拿大、德国、印度和韩国相连，与中国的双边联系最强。德国为第二大节点，与瑞士联系最强，并与美国、法国、英国、日本及欧洲邻国相连。英国与美国、中国、加拿大和德国相连。加拿大、西班牙、日本和荷兰占据相对中心位置，而意大利、俄罗斯、土耳其、巴基斯坦、克罗地亚、巴西、澳大利亚和台湾处于较外围位置。
四、讨论与结论
发文量的急剧增长被解释为技术拐点与放射学既有工作流程需求的交汇。与依赖图像模型开发的早期放射学AI不同，早期LLM文献可直接基于现有报告语料构建，针对报告标注、印象精简、口语化改写、患者中心简化和报告总结等文本任务，出版门槛较低。作者模式与临床相关转化领域一致，需要放射科医师、信息学家和自然语言处理研究者的多学科协作。美国、德国和中国的优势反映了这些环境已具备大型临床数据集、计算基础设施和活跃的放射学AI团队。引文结构显示，论文在解决即时可识别的报告问题时更易获得影响力，而非仅凭技术新颖性。被引最多的研究将LLMs定位为报告精炼、沟通和次级文本处理的工具，而非替代放射科医师主导的诊断推理，这是临床成熟的信号。
未来方向应超越LLMs能否生成合理放射学文本的基本问题，转向外部验证、本地部署约束、隐私要求和真实工作流程压力下的可靠性。重要方向包括隐私保护和开源模型、多模态系统、匿名化流水线及面向工作流程的工具。该领域正进入方法学严谨性比概念验证新颖性更重要的阶段，最重要的未来贡献可能是多中心验证研究、前瞻性工作流程评估和结局导向研究。
研究结论为：自2023年以来，LLMs在放射学报告、总结和工作流程相关任务中的研究急剧增长，正成为放射学信息学中一个独特且快速发展的领域。文献以报告简化、结构化报告、印象生成、信息提取和其他语言中心的工作流程应用为主，表明LLMs在放射学中最直接的角色并非自主诊断替代，而是支持更清晰、更高效、更标准化的报告。然而，证据基础仍处于早期阶段，多为回顾性且方法学异质。该领域的未来不仅取决于持续的技术进步，还取决于严格的外部验证、前瞻性实施研究、隐私感知部署策略和持续的人类监督，以确保安全且有临床意义地整合入放射学实践。
