Page 126 - 2023-06-中国全科医学
P. 126
2023年2月 第26卷 第6期 http: //www.chinagp.net E-mail: zgqkyx@chinagp.net.cn ·767·
在该领域有重要影响力。可以预见，未来将有更多关 优秀文献缺失（如我国 2020 年曾提倡将“论文写在祖
于 AI 在食管癌中应用的文章优先发表在上述期刊上。 国大地上” ［20］ ），存在一定的文献选择偏倚。在未来
共被引分析除了通常用于评估文章或作者的相关性， 的研究中，可合并中国知网、万方数据知识服务平台、
还可以作为评价作者个人学术影响力的指标 ［11-12］ ，如 PubMed、Scopus 和 Google Scholar 等数据库所有文献，
中国研究者共被引次数最高的研究中 GUO 等 ［13］ ，该 并进行比较以获得更全面的结果。
研究主要以深度学习模型证明了内窥镜图像和视频数 4 展望
据集的高灵敏度和特异度，同时论证了实时计算机辅 在疾病诊断和治疗方面，AI 目前已显示出较好的
助诊断系统可以帮助内窥镜医生诊断癌前病变和食管 性能、较高的精度。随着 AI 的进一步发展，食管癌整
腺癌。 体朝着精准检查、诊断和治疗的方向发展。未来 AI 应
从共被引文献聚类结果来看研究的前沿变化，最 用于食管癌的挑战可能主要存在于食管癌个体化数据
［14］
早的研究集中在“肿瘤分割” ，目前的研究热点是“深 收集（除指标以外信息，如基因信息）、数据质量（如
度学习” ［15］ 和“内窥镜” ［16］ 、胃肠内窥镜 ［17］ ，表 数据差异之种族差异）、数据处理规范（电子健康记
明早期食管癌的研究主要侧重于食管肿瘤类别的划分、 录结构不一致）、AI 代码复现（尚不能做到共享代码
分割，然后转向使用深度学习等其他技术来实现诊断 并重现、推广已有结果）、辅助诊断可信度决策（结
准确性、快速诊断和早期诊断。关键词频率可反映整 果经受实践检验才能真正可信）。
体研究热点变化，整体关键词分为三大类，分别为癌症、 作者贡献：涂嘉欣、吴磊提出研究设想及总体研
腺癌和食管癌，提示早期研究主要是作为癌症分析的 究方案的构建，负责论文的撰写与修改，并对文章负责；
部分内容（食管癌种类的区分、识别），具体研究内 叶惠清、林雪婷收集、清洗和保留研究数据（包括软
容包括风险、诊断、预后。但该时期受限于所用的分 件代码），以供研究使用和结果重现；张小强、吴磊
析技术，数据分析仍处于小范围、浅显分析。 为研究提供资金支持，对研究活动进行规划，执行的
关键词频率分析的 2 个阶段分析提示：（1） 监督和领导，学科专业问题指导；杨善岚、邓莉芳对
2000—2016 年为 AI 在食管癌领域研究的发展早期（迟 图片格式及文字修订，整理参考文献。
缓期），风险识别、p53 等为当时的研究前沿，这与当 本文无利益冲突。
时其他癌症如前列腺癌领域 AI 研究大为不同，后者此 参考文献
时主要以癌筛查方法、手术治疗方法为主要内容 ［18］ ； ［1］SUNG H，FERLAY J，SIEGEL R L，et al. Global cancer statistics
（2）2017—2022 年为 AI 在食管癌领域研究的快速增 2020：GLOBOCAN estimates of incidence and mortality worldwide
for 36 cancers in 185 countries［J］. CA Cancer J Clin，2021，71
长期，计算机辅助诊断、计算机辅助治疗成为 AI 主要
（3）：209-249. DOI：10.3322/caac.21660.
应用方向，如在早期检查、准确区分癌前病变和肿瘤
［2］SHIN H C，ROTH H R，GAO M C，et al. Deep convolutional
病变，确定手术治疗期间浸润性肿瘤边缘，监测疾病 neural networks for computer-aided detection：CNN
进展和获得性耐药，以及预测肿瘤侵袭性、转移模式 architectures，dataset characteristics and transfer learning［J］.
和复发风险，医学成像技术和生物标志物为食管癌诊 IEEE Trans Med Imaging，2016，35（5）：1285-1298. DOI：
断、治疗和进展监测提供了技术支持。这表明在这一 10.1109/TMI.2016.2528162.
［3］ZHANG X Y，ZOU J H，HE K M，et al. Accelerating very deep
阶段更深技术层面的 AI 开始发挥作用。
convolutional networks for classification and detection［J］. IEEE
整体而言，食管癌领域 AI 的应用表现出滞后性。
Trans Pattern Anal Mach Intell，2016，38（10）：1943-1955.
在延迟了至少 10 年后，才开始与其他癌症一样开展全 DOI：10.1109/TPAMI.2015.2502579.
面 AI 应用于食管癌的探索，出现这一现象的原因可能 ［4］HORIE Y，YOSHIO T，AOYAMA K，et al. Diagnostic outcomes
与 AI 在癌症领域应用转化处于初级阶段、推广应用效 of esophageal cancer by artificial intelligence using convolutional
果受限有关 ［19］ 。未来有关食管癌预后生存及风险因素 neural networks［J］. Gastrointest Endosc，2019，89（1）：25-
的模型探究势必将成为热点。此外，在 2018 年首次突 32. DOI：10.1016/j.gie.2018.07.037.
［5］TOKAI Y，YOSHIO T，AOYAMA K，et al. Application of
现了数据库一词，显然随着大数据的出现，对大量数
artificial intelligence using convolutional neural networks in
据的处理和应用已经成为一种重要的研究方法。通过
determining the invasion depth of esophageal squamous cell
大数据，研究者可以应用 AI 对食管癌进行全面的分析 carcinoma［J］. Esophagus，2020，17（3）：250-256. DOI：
和深入的研究。但同时数据获取需要大量的人力和财 10.1007/s10388-020-00716-x.
力，使得数据收集非常困难，这可能也是大多数研究 ［6］CHEN C M，HU Z G，LIU S B，et al. Emerging trends in
缺乏合作的原因之一。最后，本研究尚存在一定的局 regenerative medicine：a scientometric analysis in CiteSpace［J］.
Expert Opin Biol Ther，2012，12（5）：593-608. DOI：
限性，此次仅纳入英文文献，这可能导致其他语言的
