夜雨聆风▼ 做您定制的类似分析，请与刘老师联系。
不做实验，也能发IF10+SCI？正在悄悄流行的文献计量分析，不仅是“论文捷径”，更是“基金申请外挂”！
引言
2024年诺贝尔奖中，物理学奖授予了 Geoffrey Hinton 和 John Hopfield，以表彰其在神经网络领域的贡献；化学奖则授予了 David Baker、Demis Hassabis 和 John Jumper，以表彰其在计算蛋白质设计与预测方面的突破。这些奖项凸显了人工智能（artificial intelligence，AI）日益增长的影响力与发展潜力。AI 致力于构建能够执行类人任务的计算机系统，依托数据处理、模式识别及自动化技术实现。以 ChatGPT 为代表的大语言模型（large language models，LLM）标志着 AI 已从理论发展为多领域的强大工具，尤其是在医学与医疗健康领域中表现突出。
AI 在医学领域的快速应用涵盖多个方面，从病理学中的通用多模态 AI 助手，到用于检测微小癌变的 AI 影像诊断技术，再到论文写作辅助工具以及临床实践中为医生提供支持的聊天机器人。在基础医学与生物学领域，AI 在蛋白质结构预测及生物分子相互作用分析方面展现出卓越能力。随着 AI 与医学研究的深度融合，该领域逐渐成为研究热点，亟需对相关学术成果与研究进展进行系统分析。
研究亮点
前列腺癌领域的人工智能研究呈指数级增长，尤其是在2020年之后 美国和中国在发文量方面处于领先地位，并展现出广泛的国际合作 主要研究方向包括：AI 在诊断影像、治疗方案制定及预后评估中的应用 深度学习，尤其是卷积神经网络，是该领域的主流方法 新兴趋势聚焦于 AI 与基因组学的融合以及可解释性 AI 在临床应用中的发展
该文2025年发表于International Journal of Surgery，IF≈10.1，JCR分区Q1！
▼ 想发表自己的文献计量分析论文？点击👇获得更多高质量文献计量分析模板。
（👆经典文献计量分析模板，持续更新中）
以下分为三个方面进行解读。
一. 检索策略
本研究于2025年4月5日进行数据挖掘，数据来源为 Clarivate Analytics 的 Web of Science Core Collection（WoSCC）中的科学引文索引扩展版。WoSCC 是文献计量学研究中应用最广泛且最具权威性的数据库之一。本研究的检索策略参考了已有高质量人工智能文献计量研究，具体检索式如下：
TS = (“artificial intelligence” OR “chatgpt*” OR “gpt*” OR “machine learning” OR “deep learning” OR “transfer learning” OR “reinforcement learning” OR “neural network” OR “convolutional neural network” OR “natural language processing” OR “image segmentation” OR “semantic segmentation” OR “supervised clustering” OR “supervised learning” OR “unsupervised clustering” OR “unsupervised learning” OR “text mining” OR “data mining” OR “graph mining”)
AND TS = ((“prostate” OR “prostatic”) NEAR/1 (cancer* OR tumor* OR tumour* OR oncology OR neoplasm* OR carcinoma*)).
在文献筛选过程中，限定发表时间为2014年1月1日至2024年12月31日，文献类型限定为研究性论文和综述，语言限定为英文。
2. 数据分析与文献计量可视化
图表中的数据汇总与分析采用 Microsoft Excel 2022 完成，其中用于展示数据排序的渐变色条通过“条件格式”功能生成。
本研究采用文献计量学方法进行知识图谱绘制，使用 CiteSpace（V6.3.1）。数据预处理包括对下载的文本数据进行导入、清洗与格式整理，具体包括去重及提取相关信息。研究对象设定为“前列腺癌中的人工智能（AI in PCa）”，时间切片设定为2014年1月至2024年12月（每年为一个时间片）。文本分析范围包括“标题”，“摘要”，“作者关键词”及“Keywords Plus”。采用“Pathfinder”算法进行网络剪枝，未设置额外筛选标准。
二. 结果
1. 研究领域概述：发文趋势分析
2014年1月1日至2024年12月31日期间，“前列腺癌中的人工智能（AI in PCa）”相关科学研究显著增长，共检索到2581篇文献。这些文献经 CiteSpace 去重预处理后显示，共有来自472个国家/地区的9809家机构、13919位作者参与研究成果的产出，并发表于597种SCIE收录期刊。
如图2A-B所示，无论是人工智能整体研究，还是AI在前列腺癌中的应用研究，其年度发文量均呈现显著上升趋势，尤其在2021年之后增长更为迅猛。AI在PCa领域的年复合增长率（compound annual growth rate, CAGR）达到35%，累计发文量由28篇增长至2581篇（图2B）。这一结果表明，2014年至2020年期间呈稳步增长，而2020年之后则出现明显的指数级增长趋势。
此外，饼图从分段角度展示了年度发文量的分布情况（图2C）。近2年（2023–2024年）的发文量已超过总量的40%，而2020年之后的4年（2021–2024年）发文量占比超过70%，显示出近年来该研究领域活动显著加速。
2. 研究领域中具有影响力的国家与机构
在前列腺癌人工智能（AI in PCa）研究领域中，发文量排名前10的国家主要来自北美、东亚及欧洲（图3A）。美国在2023年之前一直处于领先地位，而中国则在2023年首次对其地位发起挑战。美国在2018年达到发文高峰，其发文占全球总量超过50%，此后至2022年呈现逐步下降趋势。相比之下，中国虽然在2014年起步时占比较低，但其发文量持续快速增长，到2024年占比已接近翻倍，达到33%。
前10位国家代表性文献的详细信息见表1。同时，各主要国家的科研活跃度及其合作关系如图3B所示。
3. 前列腺癌（PCa）人工智能研究领域的高影响力期刊
这2581篇文献分布于多个Web of Science（WoS）学科领域，其中“放射学、核医学与医学影像”和“肿瘤学”占据主导地位（图4A）。在共被引网络中，《European Urology》是被引用频率最高的期刊，这得益于其在泌尿学和前列腺癌领域的高度权威性。《IEEE Transactions on Medical Imaging》的出现表明，基于人工智能的影像技术在前列腺癌研究中具有重要意义。此外，共被引期刊的聚类结果显示，其在人工智能和前列腺癌相关关键词之间呈均衡分布（图4B）。
对排名前20的发文期刊的分析，揭示了人工智能与前列腺癌（PCa）研究成果传播中最活跃的平台（图4C）。期刊《Cancers》以发表文章数量最多位居首位，但其平均被引次数处于中等水平。值得注意的是，《IEEE Transactions on Medical Imaging》《Journal of Magnetic Resonance Imaging》和《Medical Image Analysis》凭借最高的平均被引次数获得了广泛关注。这进一步凸显了医学影像在人工智能前列腺癌研究领域中的关键作用。
4. 前列腺癌（PCa）人工智能研究领域的高影响力作者
合著网络显示，Baris Turkbey（中心性=0.07）、Henkjan Huisman（中心性=0.06）和Geert Litjens（中心性=0.05）等高产作者之间存在显著的合作关系（图5A），这从其在网络中的突出位置可以看出，他们在推动研究合作和学术影响方面具有核心作用。作者贡献通过发文数量和共被引情况进行量化（图5B）。其中，活跃作者依据发文数量进行排序，而有影响力的作者则依据共被引次数进行排名。值得注意的是，总被引次数（TCs）指的是作者在AI-PCa研究领域中的累计被引情况，而共被引则表示该作者的研究成果（即使并非专门针对人工智能）在该领域中与其他文献一同被引用的频率。从地域分布来看，有影响力的作者主要来自美国和荷兰。最后，突发性分析用于识别在一段时间内被引频次显著增长的作者（图5C）。
5. 前列腺癌（PCa）人工智能研究领域的研究重点与趋势：关键词共现分析
关键词共现网络直观展示了主要研究主题与发展趋势。“前列腺癌”处于核心位置，周围环绕着诸如“深度学习”“机器学习”等人工智能相关术语，以及“磁共振成像（MRI）”“分割”和“活检”等临床关键词（图6A）。突发性分析识别出出现频率显著上升的前25个关键词，并按照其出现时间进行排序（图6B）。时间线视图（图6C）展示了研究方向的历史发展过程。早期关键词如“机器学习”和“诊断”代表了基础研究领域，而“影像组学”和“数字病理学”则表明研究正逐步转向以数字影像驱动的诊断方法。“人工智能”作为前列腺癌（PCa）领域的关键词于2018年正式出现。时间区视图（图6D）突出了特定年份中高频关键词的共现情况，显示出学界在某些临床问题上的集中研究热点。
6. 前列腺癌人工智能研究领域的研究重点与趋势：参考文献共被引分析
参考文献共被引分析揭示了九个具有代表性文献的独立聚类，且被共引次数最多的前10篇文献列于表2中。
基于时间的引文颜色编码展示了研究趋势的演变，其中节点大小表示共被引次数（图7A）。在可视化中，节点大小与共被引频次相关；例如，四篇同时具有高中心性和高共被引次数的代表性文献（中心性为0.31–0.4；共被引次数为91–194）被紫色圆环标注（图7B）。这些定量指标支持将其识别为连接不同研究方向的“转折点”。图7C中的表格总结了各个聚类的学术影响力，通过对前10篇文献进行排名加以评估。其中，“PI-RADS”和“数字病理学”聚类为前10篇高共被引文献贡献最多，表明其在该领域中的重要地位。同时，“训练”和“深度学习”聚类分别表现出最大的突发性以及最高的中心性和节点度，突显了前者日益增长的研究热度和后者的核心作用。
为进一步细化人工智能在前列腺癌（PCa）中的应用趋势，本研究通过对突发节点（以红色标示）的深入分析来追踪研究热点（图8A），揭示了各聚类中高影响力文献的分布及其发展趋势。引文突发分析显示，“深度学习”（突发值=12.45；2014–2016）、“训练”（突发值=10.87；2016–2020）、“数字病理学”（突发值=9.92；2020–2024）以及“PI-RADS”（突发值=8.54；2021–2024）是最活跃的研究主题，这也印证了它们在图中突出的可视化表现。
对6个特定年份的共被引模式分析展示了研究重点的演变过程（图8B）。2014年，“深度学习”和“放射治疗”领域的共被引较为有限；到2016年，共被引扩展至更多聚类，反映出跨学科研究的增强。2018年，“训练”聚类受到广泛关注，强调了方法学的改进。2020年之后，共被引模式逐渐集中于“数字病理学”和“PI-RADS”，表明研究重心转向基于数字化前列腺癌图像的计算分析以及用于诊断和管理的先进影像技术。
最后，图8C列出了突发性最显著的前10篇参考文献，包括其发表年份及其影响持续时间。
三. 讨论
当前研究领域的整体格局如何？
过去十年中学术成果的指数级增长表明，学界对AI在PCa中的应用兴趣迅速提升。这种对AI驱动解决方案的关注，有助于应对PCa管理中的复杂挑战。学术产出的增加主要归因于技术进步，使得复杂算法能够处理大规模数据，从而提升诊断和预后工具的精准性。与此同时，临床对改进PCa管理的需求不断增加，AI在早期检测、诊断以及个体化治疗方案制定中发挥了重要作用。
从地域分布来看，AI在PCa研究领域呈现出多个国家的强劲参与。美国长期以来在该领域占据主导地位，但近年来其占比有所下降。相比之下，中国的研究产出显著增长，丰富了全球研究格局。机构层面的贡献进一步体现了国家影响力，美国的知名机构频繁出现在排名前列，巩固了其领先地位和学术影响力。
在各国高被引文献中，Gabriele等发表于《Nature Medicine》的研究尤为突出。该研究利用深度学习对超过2万张PCa全切片图像进行计算病理训练，在所有癌症类型中获得超过0.98的AUC值，展现出显著的临床潜力。另一项由加拿大研究者发表于《Lancet Oncology》的研究，则利用机器学习分析126例PCa活检的DNA数据，构建遗传特征，用于预测患者5年生化复发风险。这一经过充分验证的预后模型对个体化治疗具有重要意义。这些研究代表了该领域具有高度影响力和先进性的成果。
哪些期刊和作者在引领该领域？
在发表量排名前20的期刊中，放射学与医学影像相关期刊占据重要地位，同时还包括肿瘤学和泌尿学期刊。这表明AI主要应用于疾病诊断影像，尤其是乳腺癌等恶性肿瘤。《Scientific Reports》获得最多引用且平均被引次数达16.87，显示其在学术上的影响力超过《Cancers》和《Frontiers in Oncology》等期刊。代表性研究包括Litjens等提出的基于判别学习的前列腺MRI分割方法、弱监督卷积神经网络实现的多模态图像配准，以及多阶段3D计算机辅助检测与诊断模型用于识别临床显著性PCa。
在合著网络中，Baris Turkbey、Geert Litjens和Henkjan Huisman等关键作者具有高度连接性，呈现“转折点”作用，连接不同学术群体并促进跨学科融合。例如，Turkbey博士作为PI-RADS指导委员会成员及美国国家癌症研究所影像分支负责人，专注于AI在PCa影像、图像引导活检及治疗中的应用，其学术地位与跨学科背景促进了领域发展。
根据总被引次数（TCs）和共被引指标，Geert Litjens教授被认定为最具影响力的学者，拥有最高的中心性、节点度、总被引次数和平均被引次数。作为医学图像分析方向的AI教授，他利用先进机器学习方法研究肿瘤病理，并主导跨学科癌症项目。他在PCa组织病理AI诊断方面具有开创性贡献，并发起PROMISE12挑战以推动前列腺分割算法发展。
这些研究主要关注哪些主题？
关键词共现分析识别出两个主要研究聚类：AI算法发展和PCa相关主题。早期研究主要集中于传统机器学习用于临床诊断，而后逐渐转向基于深度学习的影像方法，用于筛查、诊断和决策，包括“数字病理学”“风险分层”和“指南”等方向。此外，AI还与组学技术（如单细胞测序）结合，用于探索PCa发生的分子机制，体现其在疾病管理全流程中的整合趋势。
值得注意的是，“Gleason评分”作为PCa分级与分期的病理标准，于2019年首次成为关键词。该评分系统基于腺体结构和细胞分化程度评估肿瘤侵袭性，但由于病理医生主观判断及实验条件差异，可能导致结果偏差。2019年的变化表明AI正从单一影像诊断扩展至病理实践，对诊断、治疗及预后产生影响。近期研究表明，AI辅助Gleason评分和PI-RADS解读可提高诊断准确性。
在病理领域，AI需要具备对复杂组织切片的高精度图像识别能力、高计算能力以及基于大数据训练的深度学习模型，同时还需完善的数据管理与隐私保护机制。例如，“数字病理学”结合AI，拓展了传统显微镜诊断的能力。研究表明，AI在数字病理中的应用可提高诊断准确性、效率及个体化水平。然而，一些重要临床方向仍研究不足，如主动监测决策、治疗反应长期监测以及患者报告结局整合等。
此外，“乳腺癌”作为突发关键词出现，其与PCa的共现反映了AI在不同癌种中的跨领域应用。两者在激素驱动肿瘤进展机制上具有相似性（ER与AR通路），这种生物学共性促进了方法迁移和跨学科研究。
该领域的研究趋势如何？
PCa临床决策高度依赖影像学。在PSA升高后进行活检前，多参数MRI（mpMRI）对于精准定位病灶至关重要，而CT和超声无法替代。即使对于经验丰富的医生，mpMRI的判读仍具有挑战性。对于预后较差患者，还需通过骨扫描或PSMA PET/CT评估远处转移，而区分转移与高代谢区域仍是难点。
AI在医学影像中具有显著优势，可提升效率与质量，推动其广泛应用。影像诊断仍是AI在PCa中的核心应用方向，“PI-RADS”聚类的高频共被引即体现了这一点。PI-RADS基于MRI特征，用于检测临床显著PCa并指导风险分层及治疗。其应用面临的主要挑战是读片经验差异AI的引入有助于弥补这一差距，提高诊断一致性与效率。研究显示，某AI系统在超过1万例MRI数据中检测PCa的表现优于62名放射科医生。
类似效果也体现在其他疾病中，如乳腺癌筛查、肺癌CT筛查和糖尿病视网膜病变分级等领域，AI均可提升诊断准确性和一致性。
发展轨迹分析表明，共被引网络逐渐集中于“训练”“数字病理学”和“PI-RADS”三大聚类，并在2021–2024年出现强烈突发。这表明研究重点转向影像和病理在临床试验及指南中的应用。AI增强的数字病理可实现自动Gleason评分、肿瘤负荷评估及细微模式识别，从而优化风险分层与决策。
一个关键问题是：先进影像是否可以替代活检？鉴于PSA筛查和活检在降低死亡率方面存在局限，开发经济、无创且高准确性的诊断方法成为AI的重要发展方向。
编者按
人工智能在前列腺癌研究中已成为重要工具，尤其在医学影像与数字病理领域表现突出。未来应加强多模态数据融合（如影像、病理与基因信息），提升精准诊断与个体化治疗水平。同时，研究需从诊断扩展至治疗决策、疗效监测及长期管理等临床场景。
此外，提高模型可解释性与泛化能力，是推动AI临床应用的关键。数据质量、隐私保护及多中心合作同样至关重要。总体来看，跨学科融合与临床导向将是未来发展的核心方向。
原文链接：
广而告之：
如果您也需要对自己公司的产品或者对自己研究的领域做系统梳理，可以找美国Healsan恒祥医学科技做文献计量分析。并可同时获赠五个仅Healsan™大数据才有的福利：
文献检索老师参与学员选题的文献检索； 完成分析后，免费使用SCI论文神器10天，以完成论文撰写； 作者撰写好之后，获得免费查重； 作者投稿前，获得免费的选刊服务。
（点击👆，获得持续的医学大数据分析报告）
 |  |
 |  |
 |  |
 |  |
（点击👆图片，进入自己感兴趣的专辑。或点击“资源”，浏览本公众号所有资源）
