基于Citespace的國內醫工結合研究的可視化分析

艾華，薛文杰，武玥，秦思雨，蔣西然

中國醫科大學 智能醫學學院 生物醫學工程教研室，遼寧 沈陽 110122

引言

隨著科學技術的發展，醫療健康已成為學科交叉融合和科技創新的熱門領域。現代醫學的發展，離不開工程技術的推動作用，正是因為有電子和計算機技術、信號與圖像處理技術、傳感器技術、通信技術等工程技術與醫學的緊密結合，有各種醫療設備的輔助，才有如今智慧醫療、醫藥全流程自動化、手術機器人等高效化、智能化的醫療模式和手段。2015年5月，國務院印發部署全面推進實施制造強國的戰略文件《中國制造2025》[1]，明確提出大力推動十大重點領域突破發展，其中就包括生物醫藥及高性能醫療器械領域。2016年10月中國中央、國務院又印發并實施了《“健康中國2030”規劃綱要》[2]，明確指出要推動健康科技創新。因此，推進醫工結合，促進醫療健康領域的科技創新，既符合當代醫學的發展趨勢，更符合國家戰略要求，貼合提升全民健康水平的需求。

醫工結合又稱醫工交叉、醫工協同，其最具代表性的產物是生物醫學工程[3]，繼而拓展至醫理、醫管、醫文等的結合。學科間的交叉滲透是科技創新的動力，又是科技發展的必然趨勢。我國醫工結合雖然取得一定成績，但仍存在融合程度淺、成果轉化少等問題[4]。因此，國內學者紛紛從不同的角度對醫工結合的現狀進行了剖析[5-9]。但是從國內中文期刊文章和國際外文期刊文章的角度進行我國醫工結合研究現狀和熱點的挖掘還未見報道。

本研究利用Citespace軟件，選取中國知網（CNKI）和Web of Science（WOS）核心合集數據庫作為數據來源，對國內醫工結合領域相關文獻進行可視化分析，梳理國內醫工結合領域的發展情況，挖掘該領域的研究熱點和前沿，以期為相關研究和決策提供參考。

1 資料與方法

1.1 數據來源

本研究以CNKI和WOS核心合集數據庫作為文獻來源數據庫。檢索時間長度分別為7年和5年，終止時間均為2022年5月8日。CNKI“高級檢索”中，以分類號“T”AND“R”進行檢索，檢索匹配方式“模糊”，共得到研究論文3.47萬篇。WOS中選擇“Web of Science核心合集”數據庫下的“Science Citation Index Expanded（SCI-EXPANDED）-2000-至今”，以“Web of Science類別”的“Engineering，Biomedical”進行檢索，去除不相關文獻及非英語文獻后，精煉國家/地區為“PEOPLES R CHINA”，共獲取“Article”類型文獻14435篇。以純文本形式導出文獻題錄信息，內容為完整記錄和引用的參考文獻。導入Citespace中功能去重，最終分別得到3.41萬和14435條數據，作為本研究分析的數據樣本。

1.2 研究方法

本研究使用CiteSpace（版本號：5.8.3）知識圖譜可視化分析軟件對文獻進行同義詞合并整理后，從機構、作者、關鍵詞及文獻共被引4個維度進行分析。將CNKI和WOS檢索到的結果分別以Refwork和純文本格式導入本地，保存為“download_.txt”格式，利用CiteSpace軟件將導出的文獻信息進行格式轉化，時間切片設為1年，設置參數并運行程序，構建相應知識圖譜。

2 結果

2.1 研究機構分析

表1列出了國內研究機構醫工交叉領域的國內發文情況。根據發文量可以看出，上海理工大學醫療器械與食品學院（現健康科學與工程學院）居首位，與其在生物醫學工程領域的國內發文排名情況一致[10]。該學院具有鮮明的理工醫結合辦學特色，有“中國醫療器械工程師搖籃”的美譽。另外，從表1還可以看出，中醫藥領域的醫工結合研究集中在成都中醫藥大學和中國中醫科學院中醫藥信息研究所。雖然中醫藥領域醫工結合相對西醫難度大、發展慢[11]，但是從國內發文量可以看出中醫藥醫工結合在逐漸嶄露頭角。

表1 CNKI醫工結合領域研究機構發文量前五名

表2列出了國內研究機構在醫工交叉領域的國際發文情況。中國科學院不但發文量位居首位，而且從中心性接近0.1上可以看出，其在醫工結合研究領域相對于其他機構具有更重要的作用。除中國科學院外，順次排名前五的上海交通大學、浙江大學等均為南方高校，而且在前十五名機構中，南方高校占7個，可見國內醫工結合領域地域性區別較大。另外，列表中僅有南方醫科大學和首都醫科大學兩所醫科高校，一方面可以看出兩所大學通過醫工結合探索“新醫科”發展方面成績斐然，另一方面也凸顯了醫學院校在醫工結合領域整體發展的不足。

表2 WOS醫工結合領域研究機構發文量前十五名

2.2 作者分析

在圖1的作者合作網絡圖譜中，節點代表發文作者，字體大小或節點大小與發文量呈正相關，連線代表作者之間的合作；線條顏色代表作者的合作時間，粗細代表合作的次數。圖1a包括607個節點，574條連線，網絡密集度為0.0031；圖1b包括529個節點，2153條連線，網絡密集度0.0154。從圖1中可以看出，醫工結合領域的國內作者發文情況整體低于國際發文，且國際發文的作者在該領域普遍具有更重要的影響力（YU ZHANG、WEI WANG、JING WANG、YANG LIU、LEI WANG、WEI ZHANG中心性均在0.10以上）。國內發文作者中，最高頻次（37次）作者為王偉，而國際發文作者中，YU ZHANG的頻次達到105次。另外，國際發文作者間存在明顯的交流合作，而國內發文作者整體分布比較分散，但也存在較為固定的合作團隊，如以呂軍、田國祥為中心的科研團隊，以于彤、于琦為中心的科研團隊，但團隊之間的科研協作不足。

圖1 作者合作網絡圖譜

2.3 關鍵詞分析

2.3.1 關鍵詞共現分析

關鍵詞不但具有檢索意義，更反映了文章主題，通過關鍵詞分析，可以了解研究領域的熱點問題和學科特點。關鍵詞共現圖譜的數據如表3所示，可以看出在醫工結合領域的國內發文中，“深度學習”出現的頻次遠遠高于其他關鍵詞，“深度學習”“數據挖掘”“機器學習”和“圖像分割”的中心性程度較高，且排名靠前的關鍵詞多為工科中的計算機技術，這表明醫工結合領域國內發文研究多集中于計算機科學在醫學中的應用。另外，腦電與腦機接口研究以及醫學材料相關的3D打印和光熱治療也屬于國內發文的熱點主題。國外發文中，“nanoparticle”位居首位，對應了本地數據中生物醫學材料類文章居首位的情況，接下來的“model”“in vitro”“cell”“delivery”“expression”和“scaffold”更多地涉及組織工程等領域，而“classification”和“deep learning”則與國內發文一致。通過表3可以看出，深度學習是我國醫工結合領域的普遍熱點，這也與人工智能在醫療衛生系統的廣泛應用密切相關[12-15]。

表3 CNKI關鍵詞共現

2.3.2 關鍵詞聚類分析

在關鍵詞共現分析的基礎上，通過LLR算法對關鍵詞進行聚類分析，將關系緊密的關鍵詞聚為同一類，對應聚類圖譜中的1個區域，每個區域對應1個標簽，標簽數字越小，表示類別中包含的關鍵詞越多。運行結果得到聚類模塊值（Q值）分別為0.6005和0.4735（均大于0.3），表明聚類模塊化結構顯著，聚類平均輪廓值（S值）分別為0.819和0.7452（均大于0.7），表明類別內關鍵詞聯系緊密，聚類結果令人信服。由圖2a可知，國內發文的研究主題集中于深度學習、區塊鏈、腦電信號、光熱治療等，進一步說明了深度學習在醫工交叉領域應用的廣泛性。圖2b中共有“deep learning”“bone regeneration”等5個類別，其中深度學習依然是第一大類，光熱治療與國內發文的關鍵詞聚類類別一致。聚類標簽如表4所示，其大致分為3個大方向，其中醫工結合領域計算機人工智能為第一大方向，醫學基礎方面的醫工結合研究也是比較熱門的研究方向，臨床應用方面以光熱治療為主，手術導航以及中醫藥領域的數據挖掘在國內也有一定的發文量。

表4 聚類標簽列表

圖2 關鍵詞聚類圖譜

2.3.3 關鍵詞突現分析

通過Citespace的burst detection功能進行關鍵詞的突現分析，對醫工結合領域的研究前沿進行挖掘。圖3a顯示國內發文中，從2016年起，“模式識別”“打印技術”“手術導航”“量子點”“針灸”“超像素”“光熱治療”“數據挖掘”和“用藥規律”等突現強度較高的關鍵詞陸續出現成為研究熱點，2019年12月爆發的新冠疫情使得“疫情防控”成為2020年的突現關鍵詞，而新冠的全球性大流行使“新冠肺炎”成為2021年以來的研究前沿；“區塊鏈”“數據增強”“語義分割”等均為2020年以來的研究熱點，其中“深度學習”的突現強度最高，達到76.27。圖3b顯示國際發文中，2018年以來，醫工結合領域以“pharmacokinetics”“schwann cell”和“fibroblast growth factor”等生物醫學類為主要研究熱點，而“brain modeling”“decomposition”“bio medical imaging”“heart rate variability”“mild cognitive impairment”“vessel segmentation”“mathematical model”“challenge”“ensemble learning”和“bci”等主題詞成為2020年以來的研究前沿。綜合圖3a和圖3b可知，國內發文的研究前沿主要集中于計算機人工智能在醫學領域的應用，而國際發文的研究前沿則更為廣泛，大致集中在腦電與腦機接口研究、信號分析與醫學圖像處理類研究以及人工智能類研究等領域。

圖3 關鍵詞突現分析

2.4 文獻共被引分析

兩篇或多篇論文同時被其他論文引證，則這兩篇或多篇論文構成共被引。通過共被引分析可以獲得高被引文獻，更能獲得關系緊密的文獻。因CNKI導出的數據中不包含參考文獻，故本文僅對WOS導出的數據進行共被引分析。由圖4a及相應的頻次排序可知，He等[16]用于圖像識別的深度殘差學習的文章被引頻次最高（本地被引頻次301次），該文章對國內醫工結合領域的深度學習應用具有重要影響；而?i?ek等[17]關于3D U-Net的文章以最高的中介中心性（0.15）成為國內該領域最重要的文獻；Shelhamer等[18]用于語義分割的全卷積網絡具有最大的度中心性，說明該文章節點在共被引網絡中具有很重要的作用。

通過將共被引文獻進行聚類分析，可以了解該領域有哪些前沿的研究主題。由圖4b可知，#0的聚類標簽是“enhanced photodynamic therapy”，接下來的“feature fusion attention network” 和“convolutional neural network”均屬于人工智能領域，其余除“ssvep-based bcis”外，均圍繞臨床實際應用開展研究。

時間線圖按照共被引文獻聚類標簽進行展示，每個標簽下的被引文獻按照在本地數據集中的初次被引時間進行排列，默認每個年份列出被引頻次最高的3篇文獻。由圖5可以看出，“convolutional neural network”“photothermal therapy”“low-dose CT”和“ssvep-based bcis”屬于醫工結合領域的經典研究主題，“orthopedic application”作為經典主題在國內呈逐漸淡化趨勢，“cardiac segmentation”屬于新興研究主題，而“enhanced photodynamic therapy”“feature fusion attention network”和“rapid hemostasis”屬于較新的研究主題。

圖5 時間線譜圖

3 討論

醫工結合有利于推動科技創新，是醫學創新發展的一大方向。本研究通過文獻計量學手段對國內醫工結合研究的機構、作者、關鍵詞和引文進行分析，以探索該領域的研究熱點，總結研究現狀，梳理未來可能的發展方向。

從國內醫工結合研究的機構和作者分析來看，國際學術期刊的發文遠超國內期刊發文，一方面是由于英語是科研人員國際交流的主要學術語言[19]，高水平期刊多為英文期刊，另一方面也是受過去一段時間國內科研評價標準的影響，科研人員均盡力向國際期刊投稿。有研究指出，自然基金資助項目中，研究水平越高，發表中文論文的比例就越低[20]，因此在該領域有影響力的作者多在國際發文，且研究方向相對國內發文更廣泛，與國際醫工結合廣泛的研究方向更接軌；而中醫藥屬于中國特色性領域，故該領域醫工結合研究的發文多集中于國內期刊，這有助于相關科研人員進行成果交流；在機構分布上，排名靠前的科研院所大多分布于東部地區的長三角、京津冀和珠三角，凸顯了東部地區國家級城市群尤其是中心城市的科研優勢[21]。

從國內醫工結合研究的關鍵詞分析來看，相比于國內發文，國際發文的研究熱點主題更寬泛，不再局限于人工智能、信號處理、3D打印等，而是拓展到生物材料、基因工程、細胞生物、組織工程等領域進行更深入的醫工融合。關鍵詞聚類提示醫工結合研究中“深度學習”標簽號最小，包含的關鍵詞最多，當屬國內最熱門研究領域；生物力學、生物材料、3D打印等方法技術與臨床基礎的結合研究也比較多；另外，“光熱治療”作為一種綜合了生物醫學、物理、化學等多學科技術和理論的腫瘤治療方法，也是國內醫工結合的一大熱點研究領域，大量具有獨特光學特性的納米材料得以制備并應用于腫瘤治療研究，使安全、高效治療腫瘤成為可能。關鍵詞突現分析依然體現了國際發文的主題多樣性，2018年以來陸續出現過持續時間較短的一些關鍵詞，如“光熱治療”“數據挖掘”“cell proliferation”“pharmacokinetics”等，2020年以來持續至今依然受關注的關鍵詞中，突現強度分別以“深度學習”和“brain modeling”為最高，綜合來看，當下國內醫工結合研究持續集中在深度學習、人工智能、醫學圖像處理、大腦建模、心率變異性、輕度認知障礙等領域。開發大腦記憶、視覺、空間、運動等不同功能的計算機模型，可以促進相關醫學研究及臨床輔助治療。心率變異性與冠心病、糖尿病、心肌梗死、心律失常等多種疾病有關，能夠評價心臟的自主神經活動，但由于機體生理功能復雜，影響因素多，該信號的分析以及臨床應用面臨諸多亟待解決的問題[22]。而輕度認知障礙是阿爾茲海默病的早期階段，其早期篩查、及時干預極為重要，目前利用深度學習手段結合影像學技術進行輕度認知障礙的診斷、預測等研究也在不斷深入[23]。

從國際發文的文獻共被引分析來看，對國內醫工結合研究具有重要影響的文獻主要集中在“深度學習”領域，再次提示“深度學習”在國內醫工結合領域的重要地位，不僅是人工智能領域的代表，更是大數據時代前沿的研究熱點，因為其具有強大的特征提取能力，十分適合醫學影像、基因組學等生物醫學大數據的分析處理，而文獻共被引聚類分析及時間線譜提示在卷積神經網絡、光熱治療、低劑量CT、腦機接口等經典醫工結合研究領域基礎上，增強光動力療法、特征融合注意力網絡、心臟分割等也是國內研究人員近年關注的內容。光動力療法是一種治療腫瘤、增生性皮膚疾病等的新型治療方法，精確有效、不良反應小，但光敏劑、光源等因素限制了其效果[24]，因此如何對光動力增效成為很多研究人員的課題。注意力機制是深度學習領域的重要概念，引入注意力機制后，可以提升算法的準確性，改善模型的泛化能力[25]。圖像分割是醫學影像處理的一個重要的研究方向，已從傳統的分割方法發展到了當前基于深度學習的分割方法[26]。

4 總結

本研究通過Citespace分析了國內醫工結合領域的研究現狀，挖掘了該領域的研究熱點和前沿。研究發現：① 我國醫工結合的研究成果更多地體現在國際雜志上，國內雜志發文相對較少且涉及面較窄；發文機構具有明顯的地域性，除中國科學院位居首位外，南方科研院所發文情況整體高于北方；更多地集中于綜合性或理工類高校，醫科院校相對較少；中醫藥領域的醫工結合研究多為國內發文，相對較弱；國際發文作者具有相對更高的影響力和更密切的交流合作。② 由關鍵詞分析可知，深度學習是國內醫工結合的一大研究熱點；研究前沿集中于人工智能、信號、圖像類研究，醫工結合研究多集中在醫學基礎方面，臨床應用方面以光熱治療為研究熱點。③ 由文獻共被引分析可知，對醫工結合領域影響較大的文獻集中于深度學習領域，而“convolutional neural network”“photothermal therapy”“low-dose CT”和“ssvep-based bcis”均屬于醫工結合領域的經典研究主題，納米材料等的醫學應用和人工智能技術在國內醫工結合研究中是兩大熱門領域。

圍繞國家發展戰略需求，國內正在自上而下開展廣泛的醫工結合、政策引導、平臺搭建、機構聯合、作者合作。醫工結合的概念由來已久，新技術、新方法不斷為其注入新鮮血液，“新醫科”“新工科”等政策機制不斷推動其發展，但醫工結合還有很長的路要走，希望本研究結果對未來國內醫工結合研究的發展具有參考意義。