人工智能在胃癌诊治中的研究趋势：20年的文献计量学分析

doi:10.12114/j.issn.1007-9572.2022.0902

摘要/Abstract

摘要： 背景近年来有关将人工智能（AI）应用于胃癌诊治的研究日益增多，但目前尚未有研究者使用文献计量学分析法对其进行系统的分析。目的对将AI应用于胃癌诊治的相关研究进行分析，探讨2003—2022年研究的热点及发展趋势。方法于2022-11-06，计算机检索Web of Science（WOS）核心合集数据库，获取将AI应用于胃癌诊治的相关研究。通过文献计量学分析法，采用VOSviewer 1.6.18软件对国家（地区）间、机构间、作者间的合作情况、共被引作者情况、关键词共现与叠加情况进行可视化分析，采用CiteSpace 5.7.R5软件进行机构中介中心性分析、期刊双图叠加分析、近6年共被引文献聚类分析、共被引文献聚类时间线图分析及参考文献突现分析。采用Excel 2019软件绘制发文量条形图，以及国家（地区）、机构、期刊、作者、共被引作者、引用参考文献和关键词的描述性分析表格。结果共纳入703篇文献，2003—2022年将AI应用于胃癌诊治的相关研究年发文量整体呈上升趋势，2017年后年发文量快速增长，其中2019—2021年增长最为迅速。发文量最多的国家（地区）、机构和作者分别为中国、中国科学院和TADA TOMOHIRO。共被引次数排在前3的作者BRAY FREDDIE、HIRASAWA TOSHIAKI和JIANG YUMING对该领域做出了重要贡献。Frontiers in Oncology是发文量最多的期刊，Gastrointestinal Endoscopy是刊载将AI应用于胃癌诊治相关研究、发文量排在前10的期刊中最具影响力的期刊。施引期刊的所属领域主要集中在"Medicine，Medical，Clinical"（"药物，医学，临床"）、"Molecular，Biology，Immunology"（"分子，生物学，免疫学"）2个领域；被引期刊的所属领域主要集中在"Molecular，Biology，Genetics"（"分子，生物学，遗传学"）、"Health，Nursing，Medicine"（"健康，护理，药物"）2个领域。共被引次数排在首位的参考文献为Global cancer statistics 2018：GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries。根据关键词聚类结果可将所有关键词分为4类：AI辅助胃癌的生物学研究、AI辅助胃癌的内镜诊断、AI辅助胃癌的病理诊断和AI辅助胃癌的非内镜治疗及预后预测。深度学习、卷积神经网络、影像组学、消化道内镜、病理学和免疫治疗是目前的研究热点。结论 AI在胃癌诊治中具有广阔的应用前景，越来越多的学者致力于开展胃癌诊治的AI研究。目前，AI在胃癌的生物学、诊断、分期、疗效评估和预后预测方面得到了广泛的研究。本研究结果可为从事AI与胃癌相关研究工作的学者提供参考。

关键词: 胃癌, 人工智能, 诊断, 治疗, 可视化分析, 文献计量学分析, VOSviewer, CiteSpace

Abstract:

Background

The number of researches on the application of artificial intelligence (AI) to diagnosis and treatment of gastric cancer has been increasing in recent years, but no researcher has systematically analyzed it using bibliometric analysis.

Objective

To analyze the researches on the application of AI to diagnosis and treatment of gastric cancer, explore the research hotspots and development trends from 2003 to 2022. Methods On November 06, 2022, Web of Science (WOS) core collection database was searched by computer to obtain studies on the application of AI to gastric cancer diagnosis and treatment, and VOSviewer 1.6.18 software was used to visualize and analyze inter-country (region), inter-institution, and inter-author collaborations, co-cited authors, keyword co-occurrences and overlays through bibliometric analysis. CiteSpace 5.7.R5 software was used to perform institutional betweenness centrality analysis, journal biplot overlay, cluster analysis of co-cited literature for the last 6 years, co-cited literature clustering timeline graph analysis and reference bursting analysis. Excel 2019 software was used to plot bar graphs of the volume of publications and descriptive analysis tables of countries (regions), institutions, journals, authors, cited references and keywords.

Results

A total of 703 papers were included, and the annual publication volume of the application of AI to gastric cancer diagnosis and treatment showed an overall increasing trend from 2003-2022, with a rapid increase after 2017 and the most rapid growth from 2019-2021. The top publishing country, institution and author was China, Chinese Academy of Sciences and TADA TOMOHIRO, respectively. The top three co-cited authors of BRAY FREDDIE, HIRASAWA TOSHIAKI and JIANG YUMING had made significant contributions to the field. Frontiers in Oncology was the journal with the highest publication volume, and Gastrointestinal Endoscopy was the most influential journal among the top ten journals for researches related to the application of AI to the diagnosis and treatment of gastric cancer. The citing journals mainly focused on the two fields of "Medicine, Medical, Clinical" and "Molecular, Biology, Immunology". And the cited journals mainly focused on the two fields of "Molecular, Biology, Genetics" and "Health, Nursing, Medicine". The top-ranked literature in terms of total citations titled Global cancer statistics 2018: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries. All keywords were classified into 4 categories based on keyword clustering results, including AI-assisted biological research of gastric cancer, AI-assisted endoscopic diagnosis of gastric cancer, AI-assisted pathological diagnosis of gastric cancer, and AI-assisted non-endoscopic treatment and prognosis prediction of gastric cancer. Deep learning, convolutional neural network, imaging histology, gastrointestinal endoscopy, pathology and immunotherapy were the current research hotspots.

Conclusion

AI has a broad application prospect in gastric cancer diagnosis and treatment, and more and more scholars are devoted to AI in gastric cancer diagnosis and treatment. Currently, AI has been widely studied in the biology, diagnosis, staging, efficacy assessment and prognosis prediction of gastric cancer. The results of this study can provide a reference for scholars engaged in research work related to AI and gastric cancer.

Key words: Gastric cancer, Artificial intelligence, Diagnosis, Treatment, Visual analysis, Bibliometrics, VOSviewer, CiteSpace

董娜,崔婷,王露露,等. 人工智能在胃癌诊治中的研究趋势：20年的文献计量学分析[J]. 中国全科医学, 2024, 27(04): 493-501. DOI: 10.12114/j.issn.1007-9572.2022.0902.
DONG Na,CUI Ting,WANG Lulu, et al. Research Trends in Artificial Intelligence in Gastric Cancer Diagnosis and Treatment: a 20-year Bibliometric Analysis[J]. Chinese General Practice, 2024, 27(04): 493-501. DOI: 10.12114/j.issn.1007-9572.2022.0902.

图/表 18

图1 年发文量变化趋势（截至2022-11-06）

Figure 1 Trends in the annual publication volume

表1 发文量排在前10的国家（地区）的发文情况（截至2022-11-06）

Table 1 Top 10 countries（regions）in term of publication volume

排名	国家（地区）	发文量（篇）	占比（%）	总被引用次数（次）	平均被引用次数（次）	TLS
1	中国	366	50.063	4 371	11.94	1 272
2	美国	93	13.229	2 704	29.08	724
3	韩国	86	12.233	890	10.35	438
4	日本	79	11.238	2 232	28.25	905
5	德国	47	6.686	1 189	25.30	527
6	英国	29	4.125	839	28.93	322
7	印度	24	3.413	226	9.42	76
8	荷兰	17	2.418	869	51.12	259
9	意大利	17	2.418	252	14.82	227
10	巴基斯坦	17	2.418	165	9.71	124

图2 国家（地区）间的合作网络图谱注：节点表示国家（地区）；节点大小表示发文量的多少，节点越大表示发文量越多；节点的颜色表示国家（地区）所属的聚类；节点之间的线条表示存在合作关系，线条越粗表示关系越紧密。

Figure 2 Mapping of collaborative networks among countries（regions）

表2 发文量排在前10的机构的发文情况（截至2022-11-06）

Table 2 Top 10 institutions in term of publication volume

排名	机构	国家（地区）	发文量（篇）	TLS	总被引用次数（次）
1	中国科学院	中国	32	392	492
2	中山大学	中国	25	283	532
3	上海交通大学	中国	25	122	434
4	中国科学技术大学	中国	24	337	369
5	武汉大学	中国	21	271	246
6	延世大学	韩国	20	106	205
7	南方医科大学	中国	19	176	293
8	南京医科大学	中国	19	96	117
9	成均馆大学	韩国	19	41	124
10	东京大学	日本	18	360	662

图3 机构间的合作网络图谱注：节点表示机构；节点大小表示发文量的多少，节点越大表示发文量越多；节点的颜色表示机构所属的聚类；节点之间的线条表示存在合作关系，线条越粗表示关系越紧密。

Figure 3 Mapping of collaborative networks among institutions

表3 发文量排在前10的期刊的发文情况及2022年评价指标情况（截至2022-11-06）

Table 3 Publications and evaluation metrics in 2022 of top 10 journals in term of publication volume

排名	期刊	国家（地区）	发文量（篇）	影响因子（2022年）	Journal Citation Reports（JCR）分区（2022年）	被引用次数（次）
1	Frontiers in Oncology	瑞士	32	5.738	Q2	123
2	Scientific Reports	英国	21	4.996	Q2	265
3	Cancers	瑞士	17	6.575	Q1	28
4	Gastrointestinal Endoscopy	美国	15	10.396	Q1	413
5	World Journal of Gastroenterology	中国	15	5.374	Q2	98
6	Gastric Cancer	日本	14	7.701	Q1	519
7	Diagnostics	波兰	12	3.992	Q2	36
8	Frontiers in Genetics	瑞士	11	4.772	Q1	37
9	Computational and Mathematical Methods in Medicine	英国	10	2.809	Q2	49
10	Digestive Endoscopy	澳大利亚	9	6.337	Q1	166

表4 共被引次数排在前10的期刊的共被引情况及2022年评价指标情况（截至2022-11-06）

Table 4 Co-citations and evaluation metrics in 2022 of top 10 journals in term of co-citations

排名	期刊	国家（地区）	共被引次数（次）	影响因子（2022年）	JCR分区（2022年）
1	Gastrointestinal Endoscopy	美国	1 004	10.396	Q1
2	Gastric Cancer	日本	702	7.701	Q1
3	Endoscopy	德国	631	9.776	Q1
4	Gut	英国	501	31.793	Q1
5	Scientific Reports	英国	487	4.996	Q2
6	Gastroenterology	美国	454	33.883	Q1
7	PLoS One	美国	401	3.752	Q2
8	Nature	英国	387	69.504	Q1
9	CA：A Cancer Journal for Clinicians	美国	383	286.130	Q1
10	World Journal of Gastroenterology	中国	382	5.374	Q2

图4 基于施引期刊与被引期刊的双图叠加分析注：左侧为施引期刊聚类，右侧为被引期刊聚类；中间的曲线为引证曲线；椭圆纵轴越长表示期刊刊载论文越多，横轴越长表示作者的数量越多。

Figure 4 Double graph overlay analysis of citing and cited journals

表5 发文量和共被引次数排在前10的作者的发文情况（截至2022-11-06）

Table 5 Publication of top 10 authors in terms of pulication volume and total number of citations

排名	作者	国家（地区）	发文量（篇）	共被引作者	国家（地区）	共被引次数（次）
1	TADA TOMOHIRO	日本	16	BRAY FREDDIE	美国	186
2	TIAN JIE	中国	11	HIRASAWA TOSHIAKI	日本	122
3	YU HONGGANG	中国	10	JIANG YUMING	中国	111
4	LI GUOXI	中国	10	WU LIANLIAN	中国	106
5	DONG DI	中国	10	HORIUCHI YUSUKE	日本	81
6	HIRASAWA TOSHIAKI	日本	9	ZHU YAN	中国	81
7	YU JIANG	中国	9	SHICHIJO SATOKI	日本	79
8	WU LIANLIAN	中国	8	MORI YUICHI	日本	74
9	LI CHEN	中国	8	SZEGEDY CHRISTIAN	美国	71
10	FUJISAKI JUNKO	日本	7	Japanese Gastric Cancer Association	日本	70

图5 作者间的合作网络图谱注：节点表示作者；节点大小表示发文量的多少，节点越大表示发文量越多；节点的颜色表示作者所属的聚类；节点之间的线条表示存在合作关系，线条越粗表示关系越紧密。

Figure 5 Mapping of collaborative networks among authors

图6 作者共被引图谱注：节点表示作者；节点大小表示作者共被引频次的高低，节点越大表示作者共被引频次越高；节点的颜色表示作者所属的聚类；节点之间的线条表示两作者的文献被同时引用，线条越粗表示两作者间的关系越紧密。

Figure 6 Mapping of co-citation of authors

表6 共被引次数排在前10的参考文献的具体信息（截至2022-11-06）

Table 6 Detailed information on the top 10 references in term of co-citations

排名	文献	期刊	第一作者	发表年份（年）	共被引次数（次）
1	Global cancer statistics 2018：GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries	CA：A Cancer Journal for Clinicians	BRAY FREDDIE	2020	183
2	Application of artificial intelligence using a convolutional neural network for detecting gastric cancer in endoscopic images	Gastric Cancer	HIRASAWA TOSHIAKI	2018	113
3	Application of convolutional neural network in the diagnosis of the invasion depth of gastric cancer based on conventional endoscopy	Gastrointestinal Endoscopy	ZHU YAN	2019	78
4	Convolutional neural network for the diagnosis of early gastric cancer based on magnifying narrow band imaging	Gastric Cancer	LI LAN	2019	54
5	A deep neural network improves endoscopic detection of early gastric cancer without blind spots	Endoscopy	WU LIANLIAN	2019	52
6	Dermatologist-level classification of skin cancer with deep neural networks	Nature	ESTEVA ANDRE	2017	51
7	Diagnostic outcomes of esophageal cancer by artificial intelligence using convolutional neural networks	Gastrointestinal Endoscopy	HORIE YOSHIMASA	2018	48
8	Computer-aided diagnosis for identifying and delineating early gastric cancers in magnifying narrow-band images	Gastrointestinal Endoscopy	KANESAKA TAKASHI	2017	46
9	Application of convolutional neural networks in the diagnosis of helicobacter pylori infection based on endoscopic images	EBioMedicine	SHICHIJO SATOKI	2017	43
10	Real-time artificial intelligence for detection of upper gastrointestinal cancer by endoscopy：a multicentre，case-control，diagnostic study	The Lancet Oncology	LUO HUIYAN	2019	42

图7 近6年共被引文献聚类分析注：节点表示参考文献；节点大小表示共被引次数的多少，节点越大表示共被引次数越多；数字表示聚类的编号，数字越小表示聚类中包含的参考文献越多；节点颜色表示节点出现的时间，出现的时间越早，节点颜色越接近黄色，出现的时间越晚，节点颜色越接近红色；节点之间的线条表示存在共被引关系。

Figure 7 Clustering analysis of co-cited literature in the last 6 years

图8 共被引文献聚类时间线图注：节点表示参考文献；节点在横轴的上位置对应参考文献首次被引用的时间；圆圈越大表示参考文献共被引次数越多；节点颜色表示参考文献出现的时间，出现的时间越早，节点颜色越接近黄色，出现时间越晚，节点颜色越接近红色；右侧的聚类标签表示领域的主题。

Figure 8 Co-cited literature clustering timeline

图9 突现力排在前15的参考文献突现信息注：References=参考文献，Year=参考文献出现时间，Strength=突现强度，Begin=突现开始的年份，End=突现结束的年份；浅蓝色条表示参考文献还未出现，深蓝色条表示参考文献开始出现，红色条表示突现时间段，红色条越长表示参考文献热度持续时间越久。

Figure 9 Top 15 reference with the strongest citation bursts

表7 出现频次排在前10的关键词的基本信息（截至2022-11-06）

Table 7 Basic information about the top 10 keywords in term of frequency

排名	关键词	出现频次（次）	TLS
1	gastric cancer	218	844
2	deep learning	127	575
3	artificial intelligence	113	619
4	classification	111	488
5	cancer	108	364
6	diagnosis	104	476
7	machine learning	98	456
8	endoscopy	88	369
9	expression	68	366
10	survival	58	201

图10 关键词共现图谱注：节点表示关键词；节点大小表示关键词出现频次的高低，节点越大表示关键词出现的频次越高；节点的颜色表示关键词所属的聚类；节点之间的线条表示存在共现关系，线条越粗表示关系越紧密。

Figure 10 Co-occurrence mapping of keywords

图11 关键词叠加图谱注：节点表示关键词；节点大小表示关键词出现频次的高低，节点越大表示关键词出现的频次越高；节点的颜色表示关键词出现的时间，颜色越接近蓝色表示关键词出现的时间越早，颜色越接近黄色表示关键词出现的时间越晚，是近年来的研究热点及前沿；节点之间的线条表示存在共现关系，线条越粗表示关系越紧密。

Figure 11 Mapping of keywords overlay

参考文献 32

[1]	SUNG H, FERLAY J, SIEGEL R L, et al. Global cancer statistics 2020：GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries[J]. CA Cancer J Clin，2021，71(3):209-249. DOI：10.3322/caac.21660.
[2]	WANG S M, ZHENG R S, ZHANG S W, et al. Epidemiological characteristics of gastric cancer in China，2015[J]. Zhonghua Liu Xing Bing Xue Za Zhi，2019，40(12):1517-1521.
[3]	TAN Z. Recent advances in the surgical treatment of advanced gastric cancer：a review[J]. Med Sci Monit，2019，25:3537-3541.
[4]	NECULA L, MATEI L, DRAGU D, et al. Recent advances in gastric cancer early diagnosis[J]. World J Gastroenterol，2019，25(17):2029-2044. DOI：10.3748/wjg.v25.i17.2029.
[5]	SEXTON R E, AL HALLAK M N, DIAB M, et al. Gastric cancer：a comprehensive review of current and future treatment strategies[J]. Cancer Metastasis Rev，2020，39(4):1179-1203.
[6]	NIU P H, ZHAO L L, WU H L, et al. Artificial intelligence in gastric cancer：application and future perspectives[J]. World J Gastroenterol，2020，26(36):5408-5419.
[7]	HUANG Y, ZHU J, LI W, et al. Serum microRNA panel excavated by machine learning as a potential biomarker for the detection of gastric cancer[J]. Oncol Rep，2018，39(3):1338-1346.
[8]	JIN P, JI X Y, KANG W, et al. Artificial intelligence in gastric cancer: a systematic review[J]. J Cancer Res Clin Oncol，2020，146(9):2339-2350. DOI：10.1007/s00432-020-03304-9.
[9]	BRAY F, FERLAY J, SOERJOMATARAM I, et al. Global cancer statistics 2018：GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries[J]. CA Cancer J Clin，2018，68(6):394-424. DOI：10.3322/caac.21492.
[10]	HIRASAWA T, AOYAMA K, TANIMOTO T, et al. Application of artificial intelligence using a convolutional neural network for detecting gastric cancer in endoscopic images[J]. Gastric Cancer，2018，21(4):653-660.
[11]	XU Y G, CHENG M, ZHANG X, et al. Mutual information network-based support vector machine strategy identifies salivary biomarkers in gastric cancer[J]. J BUON，2017，22(1):119-125.
[12]	SONG Z, ZOU S, ZHOU W, et al. Clinically applicable histopathological diagnosis system for gastric cancer detection using deep learning[J]. Nat Commun，2020，11(1):4294.
[13]	GUO X M, ZHAO H Y, SHI Z Y, et al. Application and progress of convolutional neural network-based pathological diagnosis of gastric cancer[J]. Sichuan Da Xue Xue Bao Yi Xue Ban，2021，52(2):166-169. DOI：10.12182/20210360501.
[14]	GAO Y, ZHANG Z D, LI S, et al. Deep neural network-assisted computed tomography diagnosis of metastatic lymph nodes from gastric cancer[J]. Chin Med J（Engl），2019，132(23):2804-2811.
[15]	SAH B R, OWCZARCZYK K, SIDDIQUE M, et al. Radiomics in esophageal and gastric cancer[J]. Abdom Radiol（NY），2019，44(6):2048-2058. DOI：10.1007/s00261-018-1724-8.
[16]	JIANG Y, ZHANG Z, YUAN Q, et al. Predicting peritoneal recurrence and disease-free survival from CT images in gastric cancer with multitask deep learning：a retrospective study[J]. Lancet Digit Health，2022，4(5):e340-350.
[17]	ZHANG Z, HE T, HUANG L, et al. Immune gene prognostic signature for disease free survival of gastric cancer：translational research of an artificial intelligence survival predictive system[J]. Comput Struct Biotechnol J，2021，19:2329-2346.
[18]	BLOOM G C, ESCHRICH S, ZHOU J X, et al. Elucidation of a protein signature discriminating six common types of adenocarcinoma[J]. Int J Cancer，2007，120(4):769-775.
[19]	ZHANG X P, WANG Z L, TANG L, et al. Support vector machine model for diagnosis of lymph node metastasis in gastric cancer with multidetector computed tomography：a preliminary study[J]. BMC Cancer，2011，11:10. DOI：10.1186/1471-2407-11-10.
[20]	AHLERING T E, SKARECKY D, LEE D, et al. Successful transfer of open surgical skills to a laparoscopic environment using a robotic interface：initial experience with laparoscopic radical prostatectomy[J]. J Urol，2003，170(5):1738-1741.
[21]	LI L, CHEN Y, SHEN Z, et al. Convolutional neural network for the diagnosis of early gastric cancer based on magnifying narrow band imaging[J]. Gastric Cancer，2020，23(1):126-132.
[22]	HUANG B, TIAN S, ZHAN N, et al. Accurate diagnosis and prognosis prediction of gastric cancer using deep learning on digital pathological images：a retrospective multicentre study[J]. EBioMedicine，2021，73:103631.
[23]	DONG D, FANG M J, TANG L, et al. Deep learning radiomic nomogram can predict the number of lymph node metastasis in locally advanced gastric cancer：an international multicenter study[J]. Ann Oncol，2020，31(7):912-920.
[24]	DE PAEPE K N, CUNNINGHAM D. Deep learning as a staging tool in gastric cancer[J]. Ann Oncol，2020，31(7):827-828.
[25]	MUTI H S, HEIJ L R, KELLER G, et al. Development and validation of deep learning classifiers to detect Epstein-Barr virus and microsatellite instability status in gastric cancer：a retrospective multicentre cohort study[J]. Lancet Digit Health，2021，3(10):e654-664. DOI：10.1016/S2589-7500(21)00133-3.
[26]	HE X, WU L, DONG Z, et al. Real-time use of artificial intelligence for diagnosing early gastric cancer by magnifying image-enhanced endoscopy：a multicenter diagnostic study（with videos）[J]. Gastrointest Endosc，2022，95(4):671-678.e4.
[27]	MATSUMOTO K, UEYAMA H, YAO T, et al. Diagnostic limitations of magnifying endoscopy with narrow-band imaging in early gastric cancer[J]. Endosc Int Open，2020，8(10):e1233-1242.
[28]	IIZUKA O, KANAVATI F, KATO K, et al. Deep learning models for histopathological classification of gastric and colonic epithelial tumours[J]. Sci Rep，2020，10(1):1504.
[29]	GOEL G, SUN W. Cancer immunotherapy in clinical practice：the past，present，and future[J]. Chin J Cancer，2014，33(9):445-457.
[30]	LI J, DONG D, FANG M, et al. Dual-energy CT-based deep learning radiomics can improve lymph node metastasis risk prediction for gastric cancer[J]. Eur Radiol，2020，30(4):2324-2333.
[31]	SUN R J, FANG M J, TANG L, et al. CT-based deep learning radiomics analysis for evaluation of serosa invasion in advanced gastric cancer[J]. Eur J Radiol，2020，132:109277.
[32]	JIANG Y, LIANG X, WANG W, et al. Noninvasive prediction of occult peritoneal metastasis in gastric cancer using deep learning[J]. JAMA Netw Open，2021，4(1):e2032269.