基于文獻計量方法的人工智能在超聲心動圖中的應用進展研究

張浩，常建東

廈門市中醫院 超聲科，福建 廈門 361000

引言

超聲心動圖是臨床心臟病學中重要的無創成像技術之一，可對心臟進行實時和動態的觀察，在評價心臟解剖、心室功能及瓣膜生理中應用廣泛[1-3]。然而，對超聲心動圖進行解讀卻需要大量的積累以及經驗，這大大限制了其在基層醫院以及非專業的影像科醫生中的應用。目前，隨著人工智能技術的發展，國際上已有許多前沿機構將機器學習系統地應用于圖像識別[4]，并開發出許多基于深度學習的卷積神經網絡（Convolutional Neural Networks，CNN）算法對各類超聲心動圖進行判別[5-7]。因此，了解目前人工智能技術在超聲心動圖中應用的現狀以及趨勢將有助于我國學者發現該領域的研究空白并對該空白進行研究，進而自主研發出相應算法對我國的超聲心動圖進行自動判別。而Citespace是一款可針對大量文獻進行計量并可視化分析的軟件，能夠直觀地展現某一學科研究領域中知識結構的分布以及規律[8-9]，因此，利用該軟件，可以了解人工智能技術在超聲心動圖中應用的研究現狀、熱點、前沿以及趨勢，能夠為我國學者在該領域的研究提供參考以及方向。

1 材料與方法

1.1 數據收集

以“echocardiography”OR“echocardiogram”AND“Ar tificial Intelligence”OR“Deep Learning”OR“Machine Learning”OR“Convolutional Neural Networks” 為 主題詞，在Web of Science中的核心數據庫檢索，時間設定為“2011—2021年”，選擇論文類型為“Article”以 及“Review”，排 除“Editorial Material”“Meeting Abstract”“Early Access”“Letter” 和“Retracted Publication”等其他的文獻類型，將其以txt純文本及全紀錄格式導入Citespace并去重后進行分析。

1.2 研究方法

使用Citespace 5.6.R5（64-bit）對文獻的國家、機構、期刊、關鍵詞、共被引參考文獻等進行文獻計量以及進行可視化分析，并生成相應圖譜。使用Excel 2010對Web of Science上檢索到的該領域的文獻年發文量進行圖表繪制，以及對從Citespace中導出的文獻計量資料進行統計分析。Citespace的參數設置如下：Time slicing:2013—2021; yearsper slice: 1; selection criteria: G-index;visualization: cluster view-static, show merged network;Pruning: Pathfinder, Pruning sliced networks, Pruning the merged network。

2 結果

2.1 文獻量分布

在2013—2021年共檢索出383篇文獻，見圖1。在人工智能技術于超聲心動圖的應用領域中，2013—2018年的發文量較少且相對平穩，隨著時間的推移，2019—2021年，該領域的發文量呈爆發性增長，說明該領域是近3年的研究熱點，可推測將來該領域仍有較廣闊的研究前景。

圖1 2013—2021年人工智能技術在超聲心動圖應用領域中相關文獻的年發文量

2.2 國家以及地區分布

通過Citespace對發文國家及地區進行文獻計量及可視化分析，排名前10的國家/地區如表1所示，美國的發文量是中國的2.4倍，同時中介中心性為0.39，因此可認為美國對該領域的發展起“領頭羊”作用。在國家合作圖譜中（圖2），有節點64個、連線124條。其中節點的大小即表示發文量的多少，節點外圈的紫色代表該節點的中介中心性，即代表該節點在該網絡中的重要性，紫色的面積最大，中介中心性越高[10]；而連線則代表各節點之間的合作關系，其粗細代表合作的強度。因此，從圖中可以看出美國、意大利、德國之間的合作較為緊密，中國、英國、韓國之間的合作較為緊密，印度、新加坡、馬來西亞之間合作較為緊密。盡管我國發文量位居第二，然而中介中心性并不高，說明我國需要在該領域進行一些高質量的研究。

圖2 2013—2021年人工智能技術在超聲心動圖應用領域中國家/地區合作圖譜

表1 2013—2021年人工智能技術在超聲心動圖應用領域中相關文獻數量前10的國家/地區

2.3 研究機構分布

通過Citespace對該領域的研究機構進行可視化分析后發現，有節點219個、連線281條。發文量前10的研究機構如表2所示，其中美國有6個，可見美國高校及研究機構是該研究領域的主要陣地，說明在人工智能的深度學習領域，美國獨占鰲頭。而從機構之間合作的圖譜來看（圖3），我國的上海交通大學、中山大學、南方醫科大學、香港中文大學之間有合作關系，梅奧醫學中心、俄羅斯科學院、得克薩斯農工大學、圣約瑟夫大學之間有合作關系，西北大學、麻省總醫院、阿拉巴馬大學伯明翰分校之間有合作關系。然而各機構之間的合作主要還是以地域為主，各國的機構之間缺乏充分的交流與合作。

圖3 2013—2021年人工智能技術在超聲心動圖應用領域中科研機構合作圖譜

表2 2013—2021年人工智能技術在超聲心動圖應用領域中相關文獻數量前10的研究機構

2.4 載文期刊分布

如表3所示為人工智能技術在超聲心動圖應用領域中發文量前10的期刊，從期刊的類型來看，主要還是以醫學類為主，其中小類學科為心臟和心血管系統，僅有1個是工程技術大類期刊下計算機、信息系統欄目。從期刊名及影響因子來看，絕大多數都是心臟和心血管系統領域的知名期刊；同時，有80%的期刊來自美國。其中影響因子最高的期刊是美國的JACC-Cardiovasc Imag，為14.805分，另外，來自美國的IEEE T Med Imaging期刊影響因子也達到10.048分，除此之外，大部分期刊的影響因子都在5分左右。無論從刊文量或影響因子來看，美國的期刊均在該領域占有絕對優勢。

表3 2013—2021年人工智能技術在超聲心動圖應用領域中刊文量前10的期刊

3 共被引文獻分析

人工智能技術在超聲心動圖應用領域中共被引次數前10的文獻如表4所示，這10篇高被引文獻中，有7篇是關于各種CNN算法在超聲心動圖識別中的應用研究，2篇是關于人工智能深度學習的研究，1篇是歐洲心血管成像協會針對成人超聲心動圖給出的檢查指南。其中共被引次數最高（70次）的是Zhang等[11]發表在Ophthalmology上的關于在臨床實踐中使用人工智能技術對超聲心動圖判讀的可行性及診斷準確性分析。而歐洲心血管成像協會針對成人超聲心動圖中心腔量化給出的建議共被引次數為60，排名第2[3]。另外共被引次數排名第3及第4的是Madani等[12]的基于深度學習技術對超聲心動圖進行快速準確視圖分類的研究及Ronneberger等[13]利用U-Net CNN對生物醫學圖像進行分割的報道，分別為47次及41次。

表4 2013—2021年人工智能技術在超聲心動圖應用領域中共被引次數前10的文獻

4 研究趨勢及熱點分析

利用Citespace選取關鍵詞作為節點，運用其突現詞分析功能，可揭示人工智能技術在超聲心動圖應用領域中的趨勢以及熱點。突現是指一些關鍵詞出現的頻率在短時間內激增，反映了該階段的熱點[19-20]。圖4顯示了從2013—2021年近10年來人工智能技術在超聲心動圖應用領域中的突現詞，共計17個。紅色的條紋代表該熱點的持續時間。因此，在該領域，早期在于探索如何將人工智能技術應用于超聲心動圖的識別，即如何將圖像的特征與相應的診斷進行關聯，后來即通過開發相應的算法對二維超聲心動圖進行識別，最近的熱點為將深度學習應用于超聲心動圖的心肌病及冠心病等的診斷。

圖4 2013—2021年人工智能技術在超聲心動圖應用領域中的突現關鍵詞

5 討論

本研究通過Citespace對Web of Science核心數據庫中近10年關于人工智能技術在超聲心動圖應用領域中發表的文獻進行文獻計量以及可視化分析，從年發文量、主要的研究國家及地區、研究機構、該領域的主要發文期刊及代表性文獻、該領域的研究熱點以及前沿等方面進行了較為全面的分析。

5.1 年發文量

本文對人工智能技術在超聲心動圖中的應用領域進行了較為廣泛且深入的研究，結果表明，近10年發文量呈上升趨勢，由圖1可知，2013—2018年，該領域發文量呈緩慢增長的趨勢；2019—2021年，該領域內發文量呈現暴漲的趨勢，2019年發文量是2018年的2.2倍，而2020年的發文量是2019年的2.6倍左右，2021年的發文量約為前2年之和。因此，根據科研熱點趨勢情況的一般規律可以推測，將來人工智能技術在超聲心動圖的應用領域中，基于各種深度學習及CNN算法應用于圖像識別及診斷的研究將繼續保持較高熱度。

5.2 研究國家

各國在該領域的研究，形成以美國為核心的布局，環繞在美國周邊的主要研究國家有中國、英國、韓國、德國、西班牙等。因此，美國在人工智能醫學影像識別的前沿領域依然占據優勢地位，而周邊各國主要是和美國有合作關系。然而，從各國合作的可視化圖可以看出，各國之間的聯系并不緊密，說明各國之間的合作并不多。美國及中國的發文量最多，而美國的發文量約是中國、英國、法國、加拿大之和。盡管我國的發文量位居第2，但我國在該領域研究的中介中心性并不高，僅0.06，而中介中心性是評價文章在該領域影響力的一個重要指標。我國主要與英國、韓國之間的合作較為緊密，這說明我國不僅需要在該領域加強與他國之間的交流合作，還需要開發一些原創性算法，對人工智能在超聲心動圖應用領域進行深入研究，力求有創新及突破。

5.3 研究機構

從研究機構來看，該領域的研究主要在國際上高水平的研究機構中進行，如梅奧醫學中心、不列顛哥倫比亞大學、西北大學等，皆是世界級名?；蝽敿壍尼t療機構。這說明將人工智能應用于生物圖像信息識別，特別是醫學影像方面，對高精尖技術的要求極高。從趨勢來看，醫學影像判讀的人工智能化將是未來的研究熱點。我國的研究機構主要以中國科學院、中山大學、南方醫科大學為主；然而各研究機構主要是以地域形成各自的研究圈子，從全球的角度看，合作相對分散，缺乏充分的交流及合作。該領域是多學科結合的新興領域，因此僅依靠醫學院或工科院校無法在該領域取得研究上的突破，因此，我國的頂級醫療機構應充分與具有人工智能優勢的科研院所交流合作，如中國科學院等一流科研機構。

5.4 發文期刊

該領域的發文期刊絕大多數為心臟和心血管系統的Top期刊，與發文量最多的國家及研究機構主要地區相似的是，該領域的發文期刊仍是以美國為主。因該領域主要是屬于學科交叉范疇，因此前10的發行期刊中包含了1本在工程技術大類下的期刊（IEEE Access）。在該領域發文量最多的期刊是來自瑞士的Front Cardiovasc Med，影響因子為6.050分，分區為中科院二區，排名第2及第3的期刊為來自美國的IEEE T Med Imaging和JACC-Cardiovasc Imag，影響因子分別為10.048和14.805，分區為中科院一區。因此從發文量最多期刊的影響因子及分區也能直觀看出該領域研究的價值。

5.5 研究趨勢

通過對關鍵詞的共現，從突現詞的角度可以了解人工智能技術在超聲心動圖應用領域的研究熱點以及趨勢。可以將其總結為3個階段：① 早期在于探索如何將人工智能技術應用于超聲心動圖的識別，即如何將圖像的特征與相應的診斷進行關聯；② 后來通過開發相應的算法對二維超聲心動圖進行識別；③ 最近的熱點在將深度學習應用于超聲心動圖的心肌病及冠心病等的診斷。2015年Knackstedt等[2]使用具備機器學習功能的新型全自動圖像分析軟件對左心室容積和射血分數以及縱向應變進行測量，并且與目測法及手動追蹤法進行對比，發現應用機器學習的全自動分析軟件能夠進行快速、可重復的測量，并且與手動追蹤具有良好的一致性。同年，Ronneberger等[13]發表的文章開啟了將全卷積神經網絡（Fully Convolutional Networks，FCN）應用于生物圖像識別方面的熱潮。U-Net是一種端到端的U型FCN，該算法在ISBI2015顯微圖像分割競賽中取得冠軍，優于卷積滑動窗口算法，采用編碼器（下采樣）-編碼器（上采樣）的設計方式；筆者認為FCN需要的注釋圖像數量較少，能非常好地應用于生物醫學影像領域。

有了對醫學影像圖像進行快速識別分隔的方法后，2016年，Narula等[14]開發了具有3種不同機器學習算法（支持向量機、隨機森林和人工神經網絡）的集成機器學習模型，通過對斑點追蹤超聲心動圖數據集的識別，來區分肥厚型心肌病和運動員生理性肥厚。同年，Tsang等[21]通過自動自適應分析算法計算3D經胸超聲心動圖中左心房和左心室容積以及左心室射血分數，結果與現實生活中使用手動三維超聲心動圖的測量值（r=0.87vs.0.96）及心臟磁共振測量值（r=0.84vs.0.95）相當。至2018年，Madani等[12]基于深度學習對超聲心動圖的快速準確視圖分類進行了探索，他們將經胸超聲心動圖分為15個標準視圖（胸骨旁長軸、右心室流入道、基底短軸、中段或二尖瓣水平的短軸、心尖四腔、心尖五腔、心尖二腔、心尖三腔/心尖長軸、肋下四腔、肋下下腔靜脈、肋下/腹主動脈、胸骨上主動脈/主動脈弓、脈沖多普勒、連續波多普勒和m模式），使用隨機選擇的真實世界超聲心動圖來訓練神經網絡的模型，進而利用CNN的監督深度學習對圖像進行自動分類以及識別，從而劃分到這15個標準視圖中，實現了97.8%的平均總體測試準確率。其中，在前12個視圖中的7個中實現了100%的準確率，在連續波、脈沖寬度和m模式中的準確率分別為98%、83%和99%。

因此，鑒于已有諸多研究證明了人工智能應用于超聲心動圖圖像識別的可行性，學者們開始考慮在現實場景中布局人工智能診斷。如Zhang等[11]研究了臨床實踐中的全自動超聲心動圖判讀可行性和診斷準確性，他們通過使用CNN模型，來對超聲心動圖進行多個視圖的自動識別以及心腔分割，以量化心室容積和左心室質量，確定射血分數，并通過斑點追蹤自動確定縱向應變，其中左心室質量、左心室舒張容積和左心房容積觀測值的中位數絕對偏差為15%～17%，射血分數的中位數絕對偏差為9.7%（n=6407），縱向應變測量值的中位數絕對偏差為7.5%（n=419）和9.0%（n=110）；并且開發了3種模型用于檢測肥厚型心肌病、心臟淀粉樣蛋白和肺動脈高壓，其ROC曲線下面積分別為0.93、0.87、0.80，認為超聲心動圖的自動判讀能夠大大增加其在基層醫療機構的普及化。

5.6 研究熱點

近期的熱點在于應用CNN模型對超聲心動圖圖像中的局部室壁運動異常進行評估及識別，進而預測患者的表型。如2020年Kusunose等[22]研究了深度卷積神經網絡（Deep Convolutional Neural Networks，DCNN）是否能提供更好的局部室壁運動異常檢測，通過在常規二維超聲心動圖圖像中區分冠狀動脈梗死區域，并與心臟病專家、超聲醫師和住院醫師的診斷相比較，結果表明深度學習算法的AUC與心臟病專家和超聲醫師判讀的相似（0.99vs.0.98，P=0.150）；顯著高于住院醫師的判讀結果（0.99vs.0.90，P=0.002）。另外，對于左室節段運動異常存在區域的檢測，也出現類似的結果。這表明DCNN在超聲心動圖領域可用于局部室壁運動異常的自動診斷。同年，Ghorbani等[18]訓練了1個神經網絡模型來識別局部心臟結構，估計心臟功能，并預測患者的表型。該EchoNet深度學習模型可準確識別起搏器導線（AUC=0.89）、左心房擴大（AUC=0.86）、左心室肥大（AUC=0.75）、左心室收縮末期和舒張末期容積（R2=0.74、0.70）、射血分數（R2=0.50）；同時也可對表型進行較準確的預測。

6 總結

目前，在人工智能技術愈演愈熱，且已應用于生產生活的各個場景的大背景下[23-26]，在醫學影像學領域，特別是超聲心動圖的識別方面，也出現了很多新的研究[27-28]，并且將在很大程度上改變目前超聲診斷領域的分工。本文應用CiteSpace軟件分析了近10年來人工智能在超聲心動圖應用領域中發表的相關文獻，展示出了該領域目前主要的研究現狀，分析了其研究主體（主要研究國家及機構）在全球的分布以及研究中取得的階段性的成果，并揭示了該領域的研究趨勢以及當下的研究熱點，可為研究人員對該領域進行進一步研究提供一定的參考價值。