乳腺影像学人工智能领域被引次数最多的100篇文章:文献计量分析
该文献计量分析基于Web of Science数据库检索乳腺影像学人工智能相关文献,按被引次数排序取前100篇。单篇被引30至346次(平均85次),被引最高的是1993年发表于Radiology的乳腺X线摄影人工神经网络决策文章;83篇发表于近10年,Radiology刊载22篇,美国来源51篇。
要点
- 被引最高的文章为1993年Radiology发表的乳腺X线摄影人工神经网络辅助诊断研究,被引346次。
- 前100篇中83篇发表于2014年及以后,Radiology刊载22篇居首,美国来源51篇居首。
- 常见主题为乳腺X线摄影或超声中深度学习模型用于乳腺癌检测、影像组学及AI风险预测。
核心结论
- 该文献计量分析全面呈现了乳腺影像学人工智能领域被引最多的100篇文章,并讨论了当前最具影响力的文章及近期研究趋势与主题。
研究设计与样本
- 回顾性文献计量分析,于2024年7月通过Web of Science数据库检索,初检获1398篇文章,按被引次数排序取前100篇。
- 由一名评审者(S.S.)分析每篇文章,收集发表年份、期刊、被引次数、期刊影响因子、关键词及文章主题等信息。
- 期刊影响因子取自Clarivate Journal Citation Reports 2023数据库,年引次数按总被引次数除以发表后年数计算。
诊断标准与关键数值
- 前100篇单篇总被引30至346次(平均85次),年引次数2至67次(平均17次)。
- 被引最高为1993年Radiology发表的Artificial Neural Networks in Mammography—Application to Decision-Making in The Diagnosis of Breast-Cancer,被引346次。
- 被引第二为2019年Radiology发表的A Deep Learning Mammography-based Model for Improved Breast Cancer Risk Prediction,被引336次、年引67次。
- 100篇中83篇发表于2014年及以后,仅17篇发表于2014年前;12篇为综述文章。
临床应用与阅片要点
- 原文未据此给出推荐。
局限性
- 尽管检索词力求广泛,仍可能有重要研究被排除,本分析不应视为该领域前100篇出版物的完整清单。
- 较老文章积累的被引次数明显更多,故计算年引次数以避免该偏倚。
- 分析使用2023年影响因子,未考虑此后影响因子可能发生变化。
- 列表未纳入部分近期发表的前瞻性AI筛查试验,如Dembrower等2023年发表的瑞典研究,因发表后时间尚不足以积累显著被引。
- 研究未考虑作者自引可能带来的偏倚。
全文中译5 节 · 点击展开
引言
广义而言,人工智能(AI)被描述为机器或计算机执行认知任务并表现出模仿人类的智能行为的能力[1, 2]。早在20世纪50年代,艾伦·图灵提出了“模仿游戏”的概念,图灵测试现在被用于测试机器表现出智能行为的能力[3]。AI并非一个新概念,“人工智能”一词最初由约翰·麦卡锡于1956年在美国达特茅斯学院向计算机科学界提出[4]。近年来,AI领域迅速扩展,并正在各种场景中应用于现实环境,包括医学。
AI这一总括性术语涵盖了许多方面,自20世纪50年代最初的描述以来经历了相当大的演变。现代人工智能时代基于深度学习和机器学习技术。机器学习使用统计算法和数据,使AI能够模拟人类学习的方式。神经网络是受人类大脑神经网络启发的程序或模型,以类似于人类的方式做出决策[5]。深度学习是机器学习的一种更复杂的版本,使用多层神经网络,使计算机能够自我训练以识别模式[1, 5]。
AI在医疗保健中的应用是一个充满活力且快速发展的研究和创新领域。2023年在美国,21%的医疗保健风险投资资金投向了AI医疗保健公司[6]。在放射学领域,多项研究揭示了AI在医学影像中的应用取得了令人鼓舞的结果,尤其是在肿瘤影像学方面[7]。人工智能在乳腺放射学中的应用是一个日益受到关注的话题,并且已经在现实环境中得到应用。一项瑞典的前瞻性研究纳入了55,581名接受基于人群的乳腺癌筛查的女性,结果显示,用AI替代一名放射科医生在癌症检测方面不劣于两名放射科医生的双读[8]。
文献计量分析是对出版物进行统计评估以评价其影响力。文献计量学可用于识别特定研究领域的趋势并发现需要进一步研究的空白[9]。据我们所知,目前尚无针对AI在乳腺放射学中应用这一主题的文献计量分析。因此,本文献计量分析的目的是识别所有科学期刊中关于人工智能在乳腺放射学中应用的前100篇被引次数最多的文章。我们呈现了迄今该主题最具影响力的出版物以及该领域当前的研究趋势和主题。
方法
本文献计量分析于2024年7月进行。本研究不需要伦理批准,因为这是一项回顾性文献计量分析,不涉及患者。文章通过Web of Science(WoS,Clarivate Analytics,美国费城)引文索引服务进行检索。期刊影响因子取自Clarivate“期刊引证报告”2023数据库。
检索策略包括检索包含“乳腺放射学”或“乳腺成像”以及“人工智能”及其众多同义词的文章。使用以下检索策略识别期刊文章:“乳腺放射学”或“乳腺成像”且“人工智能”或“深度学习”或“计算机辅助诊断”或“机器智能”或“机器学习”或“自然语言处理”或“支持向量机”或“朴素贝叶斯”或“贝叶斯学习”或“人工神经网络”或“神经网络”或“卷积神经网络”或“随机森林”或“k近邻”或“决策树学习”或“数据挖掘”或“模糊”或“模糊C均值”或“计算智能”或“计算机推理”。
检索共返回1398篇文章,这些文章按引用次数从高到低排序。一位审稿人(S.S.)分析了每篇文章并收集了与发表年份、发表期刊、引用次数、期刊影响因子、文章关键词和文章主题相关的数据。
如果文章的标题、摘要或关键词包含感兴趣的检索词,则纳入文章。文章按引用次数从高到低排序。对前100篇文章进行了审查。从每篇文章中收集以下信息:标题、发表年份、发表期刊、作者机构、国家、文章类型、关键词和期刊影响因子。文章分为研究型文章或综述型文章。
对每篇文章的全文进行分析以确定文章主题。从每篇文章中提取关键词。期刊影响因子从Clarivate“期刊引证报告”2023数据库获取,每年引用次数通过总引用次数除以自发表以来的年数计算。
结果
本研究识别了乳腺成像中人工智能领域被引用最多的前100篇文章[10–109]。被引用最多的前20篇文章见表1。总引用次数最高的文章是1993年发表在《Radiology》期刊上的“乳腺X线摄影中的人工神经网络——应用于乳腺癌诊断决策”,引用次数为346次[10]。其次是2019年发表在《Radiology》上的文章“基于深度学习的乳腺X线摄影模型用于改进乳腺癌风险预测”,引用次数为336次[11]。该文章每年被引用67次,使其成为乳腺成像人工智能领域中每年被引用次数最高的文章。在被引用最多的前100篇列表中,平均总引用次数为85次(范围30–346),平均每年引用次数为17次(范围2–67)。
共有29种期刊对前100篇被引用最多列表有所贡献。在前100列表中文章数量最多的期刊是《Radiology》,共22篇出版物。其次是《European Radiology》20篇出版物和《Academic Radiology》11篇出版物。
影响因子最高的期刊是《Radiology》,根据Clarivate“期刊引证报告”2023,其影响因子为12.1。
100篇文章中有83篇是在过去十年(2014年及以后)发表的。只有17篇发表于2014年之前,其中最早且被引次数最多的一篇于1993年发表在Radiology上,题为《乳腺摄影中的人工神经网络——在乳腺癌诊断决策中的应用》[10]。前100名榜单中最近发表的一篇于2023年发表在Radiology上,题为《乳腺摄影中的自动化偏差:人工智能BI-RADS建议对阅片者表现的影响》,被引50次[72]。
前100名榜单中的文章由63个不同机构发表。发表文章最多的是芝加哥大学(n = 8),其次是哈佛大学、华中科技大学和奈梅亨拉德堡德大学,各发表5篇文章。发表论文数量最多的国家是美国(n = 51),其次是中国(n = 17)和荷兰(n = 6)。
在100篇被引次数最多的文章中(电子补充材料),12篇为综述文章。在原创文章中,最常见的主题是人工智能在乳腺癌检测和诊断中的应用(n = 46)(图1)。这可进一步分为使用乳腺摄影(n = 20)、MRI(n = 18)、超声(n = 8)以及使用全部三种模态(n = 2)进行乳腺癌诊断(图2)。题为《使用乳腺摄影检测乳腺癌:人工智能支持系统的作用》的文章于2019年发表在Radiology上,是该主题下被引次数最多的文章,被引302次[12]。其他最常见的主题包括人工智能在乳腺癌筛查中的应用(n = 11)、人工智能在腋窝淋巴结转移预测中的应用(n = 7)以及人工智能在乳腺癌分子亚型预测中的应用(n = 5)(见图1)。
由于人工智能是一个不断发展的领域,过去几年中与乳腺影像相关的兴趣呈爆炸式增长,我们还选择评估过去5年被引次数最多的文章,以尽可能纳入更新的人工智能技术和该主题的一些较大规模试验(见表2)。总被引次数和年均被引次数最多的文章是2019年发表在Radiology上的《一种基于深度学习乳腺摄影的改进乳腺癌风险预测模型》,被引336次,年均被引67次[11]。
讨论
在本文中,我们报告了我们对乳腺成像中人工智能主题所进行的文献计量学分析的结果。该文献计量学分析提供了对人工智能在乳腺放射学中应用的洞察。它展示了在该领域贡献最多的众多机构、期刊、学科领域和国家,并提供了对该领域近期发展的洞察。该文献目录展示了过去十年乳腺放射学中人工智能的诸多进展,不仅在乳腺癌检测/筛查主题上,而且在乳腺癌风险预测、预后和治疗方面也是如此。被引次数最多的文章是《乳腺X线摄影中的人工神经网络——应用于乳腺癌诊断中的决策》,该文与Top 100中的大多数文章一样,发表在Radiology期刊上[10]。
人工智能系统在乳腺影像解读中的性能与放射科医师性能的比较仍是一个热点且被高度研究的主题[12, 15, 28, 34]。2017年发表在Investigative Radiology上的一项被高度引用的研究发现,人工智能工具在乳腺X线摄影上检测乳腺癌的诊断准确性与放射科医师相似[15]。这与Chen等人于2023年发表的一项近期研究相一致,该研究比较了人工智能系统与552名人类阅片者的性能,发现在解读乳腺X线摄影筛查个人表现(PERFORMS)测试集(放射科医师用于监测其性能的富集集)时性能无差异[110]。
更近期发表的研究调查了人工智能支持放射科医师阅读乳腺X线摄影的能力[12, 47, 111]。乳腺放射科医师诊断性能的提升由一篇被高度引用的文章《乳腺X线摄影检测乳腺癌:人工智能支持系统的作用》所证明[12]。该研究的结果显示,当放射科医师在阅读乳腺X线摄影时使用人工智能支持,受试者工作特征曲线下面积更高,敏感性和特异性改善,且无额外阅读时间。
许多研究发现,将深度学习模型应用于乳腺癌筛查可以在提高特异性的同时减少工作量[29, 30, 52]。一项于2021年发表的特定研究显示,在采用人工智能系统后,乳腺X线摄影和数字乳腺断层合成(DBT)的筛查工作量减少了70%,而灵敏度未降低,该研究是当时首个在DBT和数字乳腺摄影中均显示出这一效果的研究[52]。然而,该研究也强调了使用人工智能工具进行筛查时遗漏癌症的风险,引发了关于在乳腺筛查中使用人工智能的伦理挑战的疑问。Rodriguez-Ruiz等人的一项研究发现,使用人工智能系统的低癌症检测阈值可使工作量减少17%,同时仅排除了1%的真阳性扫描,而较高的阈值则导致7%的阳性扫描被排除[29]。因此,可以说,尽管人工智能作为乳腺放射科医师的有用认知伴侣,但它在所有场景中并未表现出优于放射科医师的性能,并且可能有一些缺点。
计算机辅助诊断(CAD)在本检索结果中频繁出现,既作为文章本身的研究主题,也作为关键词。CAD一词最早出现在20世纪80年代和90年代的人工智能第二时代,并广泛应用于筛查性乳腺X线摄影。到2010年,据估计美国超过74%的乳腺X线摄影是在CAD辅助下判读的。不幸的是,其在乳腺放射学中的结果令人失望,因为它导致放射科医师准确性降低,并且由于其产生的许多假阳性而增加了判读研究所需的时间[112]。深度学习是当前人工智能时代的一部分,是一种更先进的技术,大大优于CAD,也是本文献目录的重点。
放射组学在前100篇列表中占19篇论文。放射组学涉及从影像中提取大量定量特征,并将这些数字医学图像转换为可挖掘的高维数据。对这些数据的分析可以提供有洞察力的信息,增强我们对疾病的理解并提供临床决策支持。引用次数最高的放射组学文章被引153次,题为“Radiomic versus Convolutional Neural Networks Analysis for Classification of Contrast-enhancing Lesions at Multiparametric Breast MRI”,该研究发现,在447名患者的研究组中,卷积神经网络在多参数乳腺MRI上将强化病灶分类为良性或恶性方面优于放射组学分析[23]。19篇文章中有5篇探讨了将放射组学应用于乳腺癌诊断/检测[23, 25, 64, 70, 81]。另有5篇关注放射组学与乳腺癌治疗,主要集中于预测新辅助化疗的反应[57, 65, 76, 88, 103]。4篇文章将放射组学应用于腋窝淋巴结转移预测[26, 87, 98, 102],另有4篇文章将放射组学应用于乳腺癌分子亚型预测[43, 49, 67, 75]。有1篇范围综述文章题为“Recent Radiomics Advancements in Breast Cancer: Lessons and Pitfalls for the Next Future”[106]。
利用深度学习和影像组学从影像特征预测乳腺癌分子亚型是前100篇列表中有五篇文章涉及的主题[43, 49, 75, 84, 101]。为此目的从乳腺MRI中提取特征似乎是一个研究热度很高的领域,然而,其他成像模态最近也得到了探索。Wenjuan等人于2019年发表的一项研究涉及从乳腺X线摄影中提取影像组学特征,并使用深度学习算法评估这些特征是否与乳腺癌的特定分子亚型相关,例如HER2阳性或三阴性。他们发现,与其他亚型相比,三阴性癌症可能更圆、轮廓更规则,并且 luminal 病变可能比HER2阳性病变更平滑[43]。
乳腺癌风险预测模型是本列表中近期多篇文章的主题[11, 27, 39, 73, 74]。麻省理工学院于2019年发表的一项研究比较了三种风险预测模型:仅使用风险因素的传统临床风险因素模型、仅使用乳腺X线摄影的深度学习模型,以及结合两者的第三种模型。与已有的传统乳腺癌风险模型相比,该混合模型显著改善了风险判别能力[11]。这篇文章是总体上引用次数第二多的文章,也是过去5年被引用最多的文章。
前100篇列表中共纳入十二篇综述文章。其中一篇是探讨乳腺MRI中人工智能的系统综述[97],其余为范围综述[21, 24, 36, 37, 45, 53, 56, 63, 80, 96, 106]。其中五篇范围综述是聚焦特定主题的文章,主题分别为乳腺癌中的影像组学[106]、人工智能与乳腺X线摄影[21]、人工智能与乳腺癌筛查[45]、人工智能在乳腺超声中的应用[63]以及人工智能在乳腺MRI中的应用[80]。上述其余综述文章则一般性地讨论了人工智能与乳腺影像。
还有一些文章探讨了乳腺影像背景下的非解释性人工智能。一篇发表在Radiology上、被引用108次的论文使用人工智能软件对筛查性乳腺X线摄影进行分诊[30]。另一篇论文使用神经网络查看患者病史数据对预测乳腺癌的影响[74],而三篇论文评估了人工智能从放射学报告中提取信息的能力[10, 77, 78]。
通过完成这项文献计量分析,我们确定了在乳腺放射学中人工智能主题上正在进行的广泛研究。我们发现研究患者对乳腺放射学中人工智能使用看法的研究数量有限。在前100名列表中,只有一篇文章关注女性对使用人工智能进行乳腺筛查的偏好[92],而我们没有发现任何类似的文章关注有症状的乳腺队列。除此之外,前100名列表中有少量研究将人工智能应用于乳腺癌治疗[20, 32, 90](预测化疗反应和预测病理升级),因此这可能是一个可以进一步探索的主题。此外,我们没有看到任何论文关注将人工智能应用于乳腺癌治疗后的随访。由于人工智能是一个快速发展的领域,在乳腺成像中有多种应用,有许多主题没有进入前100主题,主要是因为它们太新颖,仍在获得引用。这些主题包括生成式人工智能、大型语言模型、可解释人工智能以及许多其他主题。
本研究存在若干局限性。首先,尽管我们努力使所使用的检索词尽可能广泛,但可能还有其他重要研究被排除在外。我们的检索策略包括广泛和具体的检索词,以试图减少遗漏重要文章的可能性。因此,本分析不应被视为乳腺放射学人工智能领域前100篇出版物的完整列表。在分析过程中,我们注意到较早的文章获得了相当多的引用。因此,我们计算了每年引用次数以避免这种偏倚。我们在本分析中使用了2023年的影响因子,而我们的研究没有考虑这些影响因子自那时以来可能已经发生变化的事实。该列表不包括一些最近发表的前瞻性人工智能筛查试验,例如Dembrower等人于2023年发表的题为“Artificial intelligence for breast cancer detection in screening mammography in Sweden: a prospective, population-based, paired-reader, non-inferiority study”的研究[8],因为发表后尚未经过足够时间以产生显著引用。生成式人工智能是一个令人兴奋的新领域,在乳腺放射学中有许多潜在用途。由于它是一个相对新颖的主题,已发表的文章尚未进入高被引文章列表。最后,本研究没有考虑作者自引可能导致潜在偏倚的可能性。
总之,本研究对人工智能与乳腺放射学领域前100篇文章进行了详细分析。它深入了解了为该领域做出贡献的期刊、机构和主题,并讨论了该领域近期的新的进展和热门研究主题。
补充信息
电子补充材料
引用
- Singh S, Healy NA. The top 100 most-cited articles on artificial intelligence in breast radiology: a bibliometric analysis. Insights Imaging. 2024. PMID: 39666106. doi:10.1186/s13244-024-01869-4
- 全文:PMC11638451(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11638451/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。