人工智能應(yīng)用于糖尿病視網(wǎng)膜病變的文獻計量學(xué)分析

劉春，蹇文淵，段俊國，3*

糖尿病視網(wǎng)膜病變（DR）是糖尿病常見的微血管并發(fā)癥之一，是40歲以上人群視力損害及致盲的主要原因［1］。預(yù)計到2045年，全球糖尿病患者數(shù)量將增至6.43億［2］，DR發(fā)病率將隨之遞增。有研究報道，98%的DR患者可通過早期篩查、診斷和及時治療避免失明結(jié)局［3］。但現(xiàn)有醫(yī)療資源分布不均，眼科醫(yī)生數(shù)量有限［4］，這一目標將難以實現(xiàn)。近年來，隨著計算機科學(xué)的發(fā)展，人工智能（artificial intelligence，AI）在醫(yī)學(xué)領(lǐng)域呈現(xiàn)出迅猛發(fā)展的態(tài)勢，其在眼科學(xué)的應(yīng)用范圍也在不斷擴展［5-6］。DR因其患病率高、預(yù)后不佳及根據(jù)眼底彩照即可確診等特點，成為最早開展AI研究、相關(guān)研究最多且研究最為成熟的眼科疾病［7］，但目前該領(lǐng)域仍缺乏針對AI應(yīng)用的統(tǒng)一認知和研究規(guī)范。

CiteSpace通過對特定領(lǐng)域相關(guān)文獻進行計量，繪制可視化知識圖譜，從而了解該學(xué)科領(lǐng)域發(fā)展進程及當前研究現(xiàn)狀，預(yù)測未來研究熱點和趨勢［8-9］。本研究基于CiteSpace 6.1.R2軟件，對AI應(yīng)用于DR的文獻進行文獻計量學(xué)分析，以期為相關(guān)學(xué)者的研究方向提供參考，為未來進一步深入研究提供借鑒。

1 資料與方法

1.1 數(shù)據(jù)來源與檢索策略 檢索Web of Science（WOS）核心合集數(shù)據(jù)庫，檢索時間為建庫至2022-11-04。檢索式為：TS=（"diabetic retinopathy"）AND （TS=（"artificial intelligen*" OR "machine intelligen*" OR "machine learn*"OR "deep learn*" OR "transfer learn*" OR "neural learn*"OR "supervised learn*" OR "neural network*" OR "deep network*" OR "neural nets model" OR "convolution" OR"automat*" OR "unsupervised clustering" OR "big data"OR "natural language process*" OR "robot*" OR "thinking computer system" OR "expert*system*" OR "evolutionary computation" OR "hybrid intelligent system*" OR "machine vision" OR "fuzzy logic" OR "random forest" OR "support vector machine" OR "decision-making tree" OR "bayes*network" OR "blockchain" OR "genetic algorithm" OR"K-nearest neighbors"），檢索日期為2022-11-04，語言限定為英文，文獻類型選擇“Article”進行精煉，然后進行人工篩選，剔除綜述、約稿信息、重復(fù)文獻及無作者文獻后，最終獲取有效文獻1 770篇。

1.2 研究方法

1.2.1 可視化分析法 運用CiteSpace 6.1.R2軟件，以獲取的AI應(yīng)用于DR的相關(guān)研究文獻作為數(shù)據(jù)資料，分析2011年1月至2022年11月的發(fā)文量趨勢，對納入文獻的發(fā)表國家、機構(gòu)、作者、共被引情況和關(guān)鍵詞進行定量分析和知識圖譜繪制，展示其研究框架和基本發(fā)展脈絡(luò)，探究AI應(yīng)用于DR的研究現(xiàn)狀，探索該領(lǐng)域研究的熱點與前沿，分析AI應(yīng)用于DR的未來研究趨勢。

1.2.2 參數(shù)設(shè)置 導(dǎo)入數(shù)據(jù)，將時間跨度設(shè)置為2011年1月至2022年11月，時間切片設(shè)置為1，將每個切片時間選擇Top 50 per slice，修剪方式設(shè)定為pathfinder，pruning sliced networks，pruning the merged network。分別以國家（country）、機構(gòu)（institution）、作者（author）、被引作者（cited author）、被引期刊（cited journal）、被引文獻（cited reference）以及關(guān)鍵詞（keyword）為節(jié)點類型，依次單擊Go運行軟件生成可視化圖譜。

1.2.3 數(shù)據(jù)分析及判斷標準 知識圖譜中，節(jié)點大小代表節(jié)點出現(xiàn)的頻率，節(jié)點之間的連線粗細代表其聯(lián)系合作關(guān)系及其緊密程度［10］。中介中心性是評價節(jié)點在可視化知識圖譜中重要性的指標，節(jié)點中心性≥0.1即被標注為紫色，表示其為該領(lǐng)域較熱門且較重要的研究［11］。文獻共被引理論是由SMALL和MARSHAKORA在1973年提出的［12-13］，可以被用來確定研究領(lǐng)域的熱點、前沿以及未來趨勢，是可視化分析的主流范式。聚類圖譜中，模塊值Q>0.3表示劃分的聚類結(jié)構(gòu)顯著，平均輪廓值S>0.5表示聚類劃分合理，S>0.7則意味著聚類效果可信［14］。將顯示選項設(shè)定為“Burstness”獲得突現(xiàn)詞，突現(xiàn)圖譜中紅色線段部分表示突現(xiàn)詞出現(xiàn)的爆發(fā)性年份。

2 結(jié)果

2.1 AI應(yīng)用于DR研究的發(fā)文量趨勢分析 發(fā)文量趨勢在一定程度上是衡量該領(lǐng)域受關(guān)注程度、動態(tài)發(fā)展趨勢及預(yù)測未來發(fā)展的信息來源，可以反映該領(lǐng)域的研究水平及發(fā)展情況［10］。對AI應(yīng)用于DR研究的發(fā)文量進行分析，發(fā)現(xiàn)該領(lǐng)域發(fā)文量呈上升趨勢，2011—2017年屬于該領(lǐng)域研究的起步階段，發(fā)文量小幅度增加，年發(fā)文量均低于100篇/年；2018年發(fā)文量首次達到147篇，此后發(fā)文量持續(xù)增加，2021年達402篇，為發(fā)文量最多的年份；2022年截至11月4日發(fā)文量為312篇（圖1）。

圖1 2011年1月至2022年11月AI應(yīng)用于DR研究的年發(fā)文量趨勢Figure 1 Number of annual studies regarding artificial intelligence in diabetic retinopathy from January 2011 to November 2022

2.2 AI應(yīng)用于DR研究的發(fā)表國家分析 通過CiteSpace分析得到AI應(yīng)用于DR研究的國家合作網(wǎng)絡(luò)圖譜（圖2），節(jié)點數(shù)為89，連線數(shù)為575，密度為0.146 8。我國是發(fā)文量最多的國家，發(fā)文量達440篇，占納入文獻總數(shù)的24.9%，居世界第1。美國、印度分別以404篇、336篇位列第2、3。中心性最高的國家為英國，達到了0.26，在AI應(yīng)用于DR領(lǐng)域的研究中處于領(lǐng)先地位，除此之外，美國（0.18）、印度（0.17）、中國（0.13）、沙特阿拉伯（0.12）、加拿大（0.11）也具有高中心性，其節(jié)點外周均呈現(xiàn)明顯紫圈。

圖2 AI應(yīng)用于DR研究的國家合作網(wǎng)絡(luò)圖譜Figure 2 Collaboration network map of countries for studies regarding artificial intelligence in diabetic retinopathy

2.3 AI應(yīng)用于DR研究的發(fā)表機構(gòu)分析 運用CiteSpace繪制AI應(yīng)用于DR研究領(lǐng)域的機構(gòu)合作網(wǎng)絡(luò)圖譜（圖3），節(jié)點數(shù)為436，連線數(shù)為1 073，密度為0.011 3。全球共有436個機構(gòu)開展該領(lǐng)域研究，中山大學(xué)、新加坡國立大學(xué)和新加坡國家眼科中心發(fā)文量分別為47、38、34篇，位居世界前3名。該領(lǐng)域內(nèi)研究機構(gòu)中心性普遍偏低，首都醫(yī)科大學(xué)、斯坦福大學(xué)、新加坡國立大學(xué)是AI應(yīng)用于DR研究領(lǐng)域中心性排名前3的機構(gòu)，中心性分別為0.10、0.09、0.08。發(fā)文量排名前15的研究機構(gòu)中，除發(fā)文量和中心性排名均靠前的中山大學(xué)和首都醫(yī)科大學(xué)為我國機構(gòu)，還有上海交通大學(xué)（28篇）、中國科學(xué)院（25篇）和香港中文大學(xué)（23篇）。

圖3 AI應(yīng)用于DR研究的機構(gòu)合作網(wǎng)絡(luò)圖譜Figure 3 Collaboration network map of institutions for studies regarding artificial intelligence in diabetic retinopathy

2.4 AI應(yīng)用于DR研究的作者分析 CiteSpace分析得到AI應(yīng)用于DR研究的作者合作網(wǎng)絡(luò)圖譜（圖4）的節(jié)點數(shù)為601，連線數(shù)為2 050，密度為0.011 4。JIA Y L與HWANG T發(fā)文量持平，均為21篇，兩者并列第1，為該研究領(lǐng)域產(chǎn)出最高的作者，其后依次是WANG J（20篇）、ABRàMOFF M D（19篇）、WONG T（18篇）、ACHARYA U（17篇）、LAUDE A（16篇）、TING D W（16篇）、LIN H T（15篇）和SIVAPRASAD S（15篇）。發(fā)文量15篇及以上的作者共發(fā)文178篇，占總發(fā)文量的10.1%。由圖4可見，從事AI應(yīng)用于DR研究的研究者之間的合作聯(lián)系較為薄弱且分散。

2.5 AI應(yīng)用于DR研究作者的共被引分析

2.5.1 作者共被引分析 利用CiteSpace進行作者共被引分析，被引頻次排名前10的作者見表1，被引頻次排名前3位的是荷蘭內(nèi)梅亨大學(xué)的GULSHAN V、美國愛荷華大學(xué)的ABRàMOFF M D和新加坡國立大學(xué)的TING D W，分別為412、363、285次。另外，通過分析圖4中的作者發(fā)文量和表1中的作者被引頻次，發(fā)現(xiàn)ABRàMOFF M D和TING D W的發(fā)文量排名和被引頻次均排名靠前，表明這兩位作者對AI應(yīng)用于DR研究領(lǐng)域的發(fā)展做出了重要貢獻。值得注意的是，ABRàMOFF M D共被引中心性達到0.17，遠高于其他作者，說明其非常重視文獻質(zhì)量，在這一領(lǐng)域有很大影響力。

表1 AI應(yīng)用于DR研究被引頻次排名前10的作者Table 1 The top 10 authors of cited frequency for studies regarding artificial intelligence in diabetic retinopathy

圖4 AI應(yīng)用于DR研究的作者合作網(wǎng)絡(luò)圖譜Figure 4 Collaboration network map of authors for studies regarding artificial intelligence in diabetic retinopathy

2.5.2 AI應(yīng)用于DR研究發(fā)表期刊的共被引分析 采用CiteSpace進行期刊共被引分析，被引頻次排名前10的期刊見表2，其中8家被引學(xué)術(shù)期刊在期刊引證報告（JCR）分區(qū)中均位于Q1區(qū)，影響因子（IF）較高，表明AI應(yīng)用于DR研究領(lǐng)域的文獻質(zhì)量較高。Ophthalmology被引頻次排名第1，IF為14.28；Invest Ophth Vis Sci被引頻次排名第2，IF為4.93；Ieee T Med Imaging被引頻次排名第3，IF為11.04。Ophthalmology和Invest Ophth Vis Sci是眼科領(lǐng)域內(nèi)最具影響力的兩大期刊，Ieee T Med Imaging則是計算機科學(xué)和跨學(xué)科應(yīng)用領(lǐng)域的期刊。

表2 AI應(yīng)用于DR研究被引頻次排名前10的發(fā)表期刊Table 2 The top 10 journals of cited frequency for studies regarding artificial intelligence in diabetic retinopathy

2.5.3 AI應(yīng)用于DR研究文獻的共被引分析 運用CiteSpace對納入文獻進行文獻共被引分析，表3展示了共被引頻次排名前10的文獻［15-24］。共被引頻次最高的文獻介紹了一種應(yīng)用深度學(xué)習(xí)（DL）自動檢測視網(wǎng)膜眼底圖像中DR和糖尿病黃斑水腫（DME）的算法［15］。共被引頻次排名第2的文獻則聚焦于探索DL系統(tǒng)在多民族糖尿病患者視網(wǎng)膜圖像評估中的識別作用［16］。共被引頻次排名第3的文獻開發(fā)并評估了一種數(shù)據(jù)驅(qū)動的新型自動DR檢測診斷工具，通過處理眼底圖像，明確是否患有DR，識別相關(guān)病例并進行醫(yī)療轉(zhuǎn)診［17］?？梢姮F(xiàn)有研究對AI在DR篩查和診斷部分的探討較多，主要側(cè)重于眼底圖像的AI應(yīng)用。

表3 AI應(yīng)用于DR研究共被引頻次排名前10的文獻Table 3 The top 10 most-cited articles for studies regarding artificial intelligence in diabetic retinopathy

2.6 AI應(yīng)用于DR研究的關(guān)鍵詞分析

2.6.1 AI應(yīng)用于DR研究的關(guān)鍵詞共現(xiàn)分析 關(guān)鍵詞是對論文主旨的高度概括，共現(xiàn)分析即以關(guān)鍵詞為節(jié)點，經(jīng)剪裁形成的由節(jié)點和連線構(gòu)成的共現(xiàn)網(wǎng)絡(luò)圖譜［25］。對同類關(guān)鍵詞進行合并，如automated detection& automatic detection，risk factor & risk，retinal image &fundus image & retinal fundus image。根據(jù)年發(fā)文量增速變化趨勢，分2011—2017年、2018—2022年2個階段對DR領(lǐng)域AI應(yīng)用研究的關(guān)鍵詞演變過程進行分析。

2.6.1.1 2011—2017年AI應(yīng)用于DR研究的關(guān)鍵詞共現(xiàn)分析 CiteSpace共現(xiàn)圖譜中的節(jié)點數(shù)為275，連線數(shù)為449，密度為0.011 9（圖5），retinal image（視網(wǎng)膜圖像）成為除檢索詞外出現(xiàn)頻次最高的關(guān)鍵詞（148次），關(guān)鍵詞中心性排名前3的是macular edema（黃斑水腫）、disease（疾?。┖蚥lood vessel（血管），中心性分別為0.30、0.21、0.18。2011—2017年的研究內(nèi)容主要與運用AI進行DR篩查、診斷、分類相關(guān)，具體以automated detection（自動檢測），segmentation（分割），diagnosis（診斷），optical coherence tomography（光學(xué)相干斷層成像），classification（分類），system（系統(tǒng)），identification（識別）為中介關(guān)鍵詞。

2.6.1.2 2018—2022年AI應(yīng)用于DR研究的關(guān)鍵詞共現(xiàn)分析 CiteSpace共現(xiàn)圖譜中的節(jié)點數(shù)為414，連線數(shù)為591，密度為0.006 9（圖6），此時期關(guān)鍵詞數(shù)量增加，詞頻升高但共線關(guān)系較差。deep learning（深度學(xué)習(xí)）、validation（驗證）、convolutional neural network（卷積神經(jīng)網(wǎng)絡(luò)）、artificial intelligence（人工智能）、algorithm（算法）、prevalence（患病率）、risk factor（風(fēng)險因素）出現(xiàn)頻次驟增，特別是deep learning（深度學(xué)習(xí)）達到268次，表明該期間對DL的研究較多，AI在DR領(lǐng)域的應(yīng)用以DL為主。同時對比圖5可以看出，研究人員對AI算法性能加深了研究，并開始關(guān)注AI在DR風(fēng)險預(yù)測中的作用。

圖5 2011—2017年AI應(yīng)用于DR研究的關(guān)鍵詞共現(xiàn)圖譜Figure 5 Co-occurrence map of keywords for studies regarding artificial intelligence in diabetic retinopathy from 2011 to 2017

圖6 2018—2022年AI應(yīng)用于DR研究的關(guān)鍵詞共現(xiàn)圖譜Figure 6 Co-occurrence map of keywords for studies regarding artificial intelligence in diabetic retinopathy from 2018 to 2022

2.6.2 AI應(yīng)用于DR研究的關(guān)鍵詞聚類分析 基于關(guān)鍵詞共現(xiàn)，對關(guān)鍵詞進行聚類分析的可視化展示，得到Q=0.795 2，S=0.911 4的AI應(yīng)用于DR研究的關(guān)鍵詞聚類圖譜（圖7）。其中聚類序號越小，代表聚類規(guī)模越大，包含的關(guān)鍵詞越多［9］。共形成26個聚類標簽，前10位分別是deep learning（深度學(xué)習(xí)）、optical coherence tomography angiography（光學(xué)相干斷層血管造影術(shù)）、support vector machine（支持向量機）、retinal fundus images（視網(wǎng)膜眼底圖像）、diabetes mellitus（糖尿病）、image analysis（圖像分析）、disease（疾?。anagement（管理）、diabetic macular edema（糖尿病黃斑水腫）和image segmentation（圖像分割）。對聚類圖譜結(jié)果進一步分析發(fā)現(xiàn)，AI應(yīng)用于DR領(lǐng)域的研究熱點主要分布于DR病灶分割、通過AI識別眼底圖像對DR進行診斷等方面。

圖7 AI應(yīng)用于DR研究的關(guān)鍵詞聚類圖譜Figure 7 The map of keyword clustering in studies regarding artificial intelligence in diabetic retinopathy

2.6.3 關(guān)鍵詞突現(xiàn)分析 關(guān)鍵詞突現(xiàn)分析是指從題錄中檢測出現(xiàn)頻次高，增長速度快的關(guān)鍵詞，從而了解該領(lǐng)域關(guān)注度較高的研究，據(jù)此分析研究熱點和前沿，分析發(fā)展趨勢［26］?！癰egin”表示突現(xiàn)開始時間，“end”表示結(jié)束時間，“strength”表示關(guān)鍵詞的突變強度，強度越高影響力越大。AI應(yīng)用于DR研究關(guān)鍵詞突現(xiàn)圖譜共檢測到20個突現(xiàn)詞，所有關(guān)鍵詞第1次出現(xiàn)時間均在2011年，圖譜按關(guān)鍵詞突現(xiàn)開始時間排序。對當前領(lǐng)域研究有較大影響的是automated detection（自動檢測，突現(xiàn)強度12）、segmentation（分割，突現(xiàn)強度11.84）、extraction（提取，突現(xiàn)強度9.86），持續(xù)時間較長的是red lesion（紅色病變，持續(xù)時間：2011—2018年）、automated detection（自動檢測，持續(xù)時間：2011—2017年）、segmentation（分割，持續(xù)時間：2011—2017年）、retinopathy（視網(wǎng)膜病變，持續(xù)時間：2011—2017年）、mathematical morphology（數(shù)學(xué)形態(tài)學(xué)，持續(xù)時間：2012—2018年）、lesion（病變，持續(xù)時間：2012—2018年）。其中，automated detection（自動檢測）一詞突現(xiàn)強度最大，持續(xù)時間最長，可知近年來的研究熱點多集中于此（圖8）。

圖8 AI應(yīng)用于DR研究的關(guān)鍵詞突現(xiàn)圖譜Figure 8 The map of keywords with bursts in studies regarding artificial intelligence in diabetic retinopathy

3 討論

3.1 AI應(yīng)用于DR研究的發(fā)文量、發(fā)表國家、機構(gòu)、作者和期刊特點 CiteSpace分析結(jié)果顯示，AI應(yīng)用于DR研究的發(fā)文量呈上升態(tài)勢，根據(jù)發(fā)文量趨勢預(yù)測，AI應(yīng)用于DR研究的發(fā)文量將會繼續(xù)增長。從國家合作網(wǎng)絡(luò)圖譜來看，我國是發(fā)文量最多的國家，而英國雖然發(fā)文量僅居世界第4，但中介中心性最高，具有較大的國際影響力。美國和印度是發(fā)文量和中介中心性排名均靠前的國家，是AI應(yīng)用于DR研究的重要陣地。研究機構(gòu)合作網(wǎng)絡(luò)圖譜分析結(jié)果顯示，該領(lǐng)域內(nèi)研究機構(gòu)中介中心性普遍偏低，需要提高影響力，機構(gòu)之間缺乏緊密的合作，此現(xiàn)象在一定程度上限制了該領(lǐng)域的發(fā)展，不利于學(xué)術(shù)研究的開展。發(fā)文量排名前15的研究機構(gòu)中，我國有5家，可以看出，我國在該領(lǐng)域的研究較為廣泛，權(quán)威性機構(gòu)較多。作者合作網(wǎng)絡(luò)圖譜分析結(jié)果顯示，圖譜整體網(wǎng)絡(luò)密度較低，說明作者之間缺乏交流合作，提示今后在深化研究的同時，還應(yīng)完善不同區(qū)域機構(gòu)及作者之間的合作，增加學(xué)術(shù)交流機會。作者共被引分析結(jié)果顯示，GULSHAN V、ABRàMOFF M和TING D W三位作者對該領(lǐng)域做出了重要貢獻，其學(xué)術(shù)地位較高。期刊共被引分析結(jié)果顯示，Ophthalmology、Invest Ophth Vis Sci、Ieee T Med Imaging發(fā)表的AI應(yīng)用于DR研究文獻的被引頻次較高，在該領(lǐng)域有重要影響力?？梢灶A(yù)見，未來將有更多有關(guān)AI應(yīng)用于DR的研究發(fā)表在上述期刊。

3.2 AI應(yīng)用于DR研究的熱點 根據(jù)文獻共被引分析、關(guān)鍵詞共現(xiàn)與聚類圖譜分析結(jié)果歸納可知，AI在DR領(lǐng)域的研究主要圍繞病灶分割以及DR診斷展開。

3.2.1 病灶分割 AI疾病診斷的核心步驟是病灶分割，即建立模型將關(guān)鍵病灶從影像中分離出來，提取已分割病灶的關(guān)鍵特征，對其進行分析，是后期診斷、治療及療效評估的基礎(chǔ)［27］。DR典型的病理特征包括微動脈瘤、滲出物、血管異常和出血等［28］。

微動脈瘤是DR最早的影像學(xué)特征之一，在眼底圖像分析領(lǐng)域引起了學(xué)者的廣泛研究興趣［29］。然而，微動脈瘤在眼底圖像中的低對比度特性以及與背景像素相比極低的像素數(shù)使其檢測充滿了挑戰(zhàn)。XIA等［30］提出了一個多尺度的分割分類模型，提高了復(fù)雜情況下微動脈瘤的檢測精度。LIAO等［31］針對眼底圖像的復(fù)雜背景，設(shè)計了一種新型的微動脈瘤深度卷積編碼器-解碼器網(wǎng)絡(luò)，可以更精確地定位并檢測微動脈瘤，在保證性能的同時縮短測試時間。在另一項研究中，ZHANG等［32］提出了一種基于特征轉(zhuǎn)移網(wǎng)絡(luò)和局部背景抑制的高效微動脈瘤檢測方法，來衡量背景噪聲與視網(wǎng)膜的差異，從而檢測數(shù)據(jù)不平衡的微動脈瘤。

另一個用于檢測DR的重要生物標志物是滲出物，滲出物分割是眼底圖像分析中另一個研究較為廣泛的領(lǐng)域。HUANG等［33］提出了一種基于超像素多特征提取和基于patch的深度卷積神經(jīng)網(wǎng)絡(luò)（CNN）的自動滲出物檢測方法。KURILOVá等［34］將支持向量機（SVM）分類器與更快的基于區(qū)域的CNN對象檢測器相結(jié)合，用于識別和定位眼底圖像中的硬滲出物，在訓(xùn)練數(shù)據(jù)缺乏的情況下，使用SVM對樣本進行預(yù)掃描，可以同時改進目前的硬滲出物檢測方法并提高檢測速度。MOHAN等［35］提出了一種基于改進KAZE特征的新方法，可以解決滲出物大小和高度不同，視網(wǎng)膜眼底圖像光照不規(guī)則及對比度差等問題。

視網(wǎng)膜血管分割是DR診斷的關(guān)鍵環(huán)節(jié)，包括血管的各種幾何特征，如分支長度、分支角度、血管直徑等。TIAN等［36］提出了一種基于多路徑CNN的視網(wǎng)膜血管分割方法，能夠有效抑制噪聲，保證血管分割后的連續(xù)性。ATLI等［37］介紹了一種全自動血管分割的DL體系結(jié)構(gòu)，克服了圖像中存在的病理影響、噪聲、對比度差等多種困難，具備應(yīng)用于臨床的潛力。在另外一項報道中，GEGUNDEZ-ARIAS等［38］開發(fā)了一項基于U-Net架構(gòu)由CNN組成的眼底血管分割方法，此方法考慮了每個像素到血管樹的距離，獲得圖像像素及概率圖，最后將該概率圖用一定的閾值二值化，實現(xiàn)血管分割。DR視網(wǎng)膜出血是在血管內(nèi)的極端壓力積聚導(dǎo)致的視網(wǎng)膜血管破裂形成的，是許多學(xué)者診斷DR的另一個研究方向［29］。MAQSOOD等［39］首先利用改進的對比度增強方法對眼底圖像的邊緣細節(jié)進行改進，然后用一種新的CNN結(jié)構(gòu)來檢測出血，提取特征，再進行融合，最后篩選出最佳特征。該方法在視覺質(zhì)量和定量分析精度方面具有優(yōu)良性能。LAHMIRI等［40］提出了一項三階段混合系統(tǒng)，其過程包括利用CNN進行特征自動提取，對提取的高維特征集進行最佳篩選，最后將其輸入優(yōu)化的非線性SVM執(zhí)行分類任務(wù)。將其與另外三種常用分類器進行驗證比較，結(jié)果顯示該系統(tǒng)優(yōu)于其他三種參考系統(tǒng)，具有快速、準確的特點。

DR病灶特征識別對患者的早期篩查、診斷、治療和隨訪至關(guān)重要，通常情況下，這一過程由訓(xùn)練有素的專家完成，但這種由臨床醫(yī)生手工診斷的情況是繁瑣且容易出錯的，需要消耗大量的時間和人力資源。AI可以解決上述問題，能夠快速進行病灶分割，精準提取DR每個階段的獨特特征，有望為DR提供高效、可擴展、可持續(xù)且具有成本效益的新模式［41］。

3.2.2 DR診斷 DR在早期階段往往是無癥狀的，相當多的DR患者因為視力損害就診，而此時的視覺功能通常難以恢復(fù)［42］。因此，早期診斷對預(yù)防DR引起的視力障礙具有重大意義。眼底圖像是最具成本效益的DR檢查方式，故有關(guān)AI基于眼底圖像進行DR診斷的研究較為豐富。LI等［43］使用集成方法開發(fā)了一種利用眼底圖像診斷DR的模型，探究輸入圖像大小及數(shù)量對模型性能的影響，最終該模型展示了良好的性能，具有較好的泛化性。眼底圖像拍攝時存在各種色差和不相關(guān)的光照干擾，降低了診斷分析質(zhì)量，可能會影響診斷結(jié)果，因此，AI技術(shù)還面臨處理不同照明條件下捕獲眼底圖像的艱巨任務(wù)。KAUSHIK等［44］提出在預(yù)處理階段使用圖像去飽和技術(shù)處理這些問題，然后在訓(xùn)練過程中堆疊3個CNN，用于對眼底圖像進行分類以進行DR診斷，最后取得了比現(xiàn)有技術(shù)更好的結(jié)果。現(xiàn)有的分級方法通常以高分辨率眼底圖像為訓(xùn)練數(shù)據(jù)，在臨床低分辨率眼底圖像更為常見的情況下，分級性能將明顯降低。WANG等［45］提出了一種關(guān)注低分辨率眼底圖像的網(wǎng)絡(luò)，該網(wǎng)絡(luò)聯(lián)合執(zhí)行提高圖像分辨率、各種DR病變分割和DR分級的多項任務(wù)，每一項任務(wù)均采用了基于CNN的方法。在三個數(shù)據(jù)集中，該網(wǎng)絡(luò)展現(xiàn)了優(yōu)于其他DR分級方法的性能。另外，SHANKAR等［46］建立了一種基于DL的眼底圖像自動檢測DR模型，在過程中首先對眼底圖像進行降噪處理，最終在Messidor DR數(shù)據(jù)集上對該模型進行驗證，得到了滿意的結(jié)果。

隨著研究的不斷深入完善，多個DR診斷系統(tǒng)接連面世，自2018年美國食品和藥物管理局（FDA）批準第一個用于DR診斷的AI系統(tǒng)IDx-DR以來［47］，EyeArt［48］、Retmarker DR［49］也接連獲得批準。另外，深圳硅基智能科技公司開發(fā)的基于AI的DR篩查軟件和上海鷹瞳醫(yī)療科技公司開發(fā)的眼底圖像輔助診斷軟件也于2020年8月被相繼批準［50］，DR的AI診斷逐漸被臨床接受并興起。

3.3 AI應(yīng)用于DR研究的趨勢 關(guān)鍵詞突現(xiàn)分析結(jié)果提示，AI應(yīng)用于DR研究的趨勢是自動檢測，包括對DME的療效預(yù)測、DR病程管理以及AI算法性能的提高。

DME的特征是血-視網(wǎng)膜屏障的破壞和黃斑區(qū)域的液體積聚［51］，DME的發(fā)生是DR患者視力下降甚至喪失的主要原因，是DR的嚴重并發(fā)癥?？寡軆?nèi)皮生長因子（VEGF）被廣泛認為是DME的一線治療藥物，但并非普遍有效， 部分患者對抗VEGF治療的反應(yīng)效果欠佳甚至無反應(yīng)。預(yù)測患者對抗VEGF治療是否有反應(yīng)，可以避免不必要的試驗和錯誤的治療策略，促進一線療法的更準確選擇。ALLINGHAM等［52］使用熒光素眼底血管造影的半自動分割來比較抗VEGF治療DME對微動脈瘤相關(guān)滲漏和非微動脈瘤相關(guān)滲漏的影響是否有差異，結(jié)果提示后者可能是VEGF介導(dǎo)的病理標志物，而以前者為主的患者可能對抗VEGF治療的反應(yīng)效果較差。RASTI等［53］提出了一種基于光學(xué)相干斷層掃描（OCT）圖像自動預(yù)測患者抗VEGF治療效果的方法，輸入預(yù)處理的OCT掃描圖像，就可以輸出視網(wǎng)膜厚度差，然后進行5倍交叉驗證，該方法對反應(yīng)性和非反應(yīng)性患者療效預(yù)測平均曲線下面積為0.866，平均精度、平均靈敏度和平均特異度分別為85.5%、80.1%和85.0%。可以看出，AI以DR篩查作為切入點，正在改變著DR診療流程的方方面面。

同樣，隨著AI在DR診療中的廣泛應(yīng)用，其在病程管理方面的潛力作用也逐漸被學(xué)者關(guān)注。ESTIL等［54］在挪威眼科診所運用的一種DR風(fēng)險算法，利用患者性別、糖尿病類型、DR嚴重程度、糖尿病持續(xù)時間、糖化血紅蛋白和血壓的個人風(fēng)險概況來評估DR威脅視力的風(fēng)險并給予基于這些風(fēng)險因素的個體化篩查間隔建議，該程序的使用減少了診所就診的頻率，節(jié)約了時間和醫(yī)療資源，可用于高危糖尿病患者的評估。BORA等［55］基于Inception-V3架構(gòu)開發(fā)了兩種類型的DL系統(tǒng)，以預(yù)測在初級保健環(huán)境中接受過遠程DR篩查糖尿病患者的DR進展情況。該系統(tǒng)有助于延長篩查間隔以降低成本，同時改善視力相關(guān)結(jié)局。此外，還可利用AI檢測形態(tài)學(xué)藥物作用引起的DR視網(wǎng)膜變化，XIE等［56］開發(fā)了一種通過觀察糖尿病小鼠識別神經(jīng)節(jié)細胞和神經(jīng)纖維層的變化，從而診斷早期視網(wǎng)膜病變，還可以評估潛在藥物治療效果的AI算法，該研究提出了一種新的定量方法來評估和篩選DR程度和藥物療效。

隨著研究的不斷深入拓展，更多種類的數(shù)據(jù)信息被添加用以提高AI模型的整體性能。TOROK等［57］研發(fā)了一種淚液蛋白質(zhì)組學(xué)和眼底圖像數(shù)據(jù)聯(lián)合AI的DR檢測系統(tǒng)，結(jié)果證明二者數(shù)據(jù)整合后診斷DR的靈敏度和特異度高于單獨使用蛋白質(zhì)組學(xué)和眼底圖像，提示兩種不同類型的數(shù)據(jù)可以相互補充，獲得更好的診斷性能。DL技術(shù)多模態(tài)數(shù)據(jù)組合分析具有顯著優(yōu)勢，是未來DR領(lǐng)域AI研究的新興趨勢。

眾多研究證明，使用AI系統(tǒng)作為輔助工具應(yīng)用于DR領(lǐng)域因其高效和快捷的特點而無可替代，潛在價值巨大［58］。從開發(fā)和驗證AI模型，到其臨床轉(zhuǎn)化和運用，再到性能提高及社會經(jīng)濟價值考量，這些研究標志著AI在DR領(lǐng)域的發(fā)展與應(yīng)用逐步走向成熟。但AI在實踐中仍面臨許多臨床和技術(shù)上的挑戰(zhàn)，（1）黑盒問題：AI模型關(guān)注的是輸入、輸出數(shù)據(jù)之間的相關(guān)性，但不能定量解釋該模型的推理過程，這種不透明性使AI的應(yīng)用受到質(zhì)疑［59］。隨著AI在醫(yī)學(xué)領(lǐng)域的應(yīng)用范圍越來越廣泛，黑盒性質(zhì)已成為研究人員亟待解決的關(guān)鍵問題。（2）數(shù)據(jù)集的質(zhì)量與數(shù)量：AI算法需要精確的測試、訓(xùn)練、驗證3種數(shù)據(jù)集的支撐，若數(shù)據(jù)集不具有代表性或樣本量太小，會導(dǎo)致最后的結(jié)果不夠準確。此外，檢查設(shè)備、患者配合程度及醫(yī)師操作水平等多種因素會影響數(shù)據(jù)收集，導(dǎo)致統(tǒng)一標準的大數(shù)據(jù)庫難以建立［60］。（3）倫理問題：AI在醫(yī)療活動中不會考慮“患者利益最大化”問題，這將給復(fù)雜的醫(yī)患關(guān)系帶來更嚴峻的挑戰(zhàn)。另外，如何在推動AI發(fā)展的同時保障患者的醫(yī)療數(shù)據(jù)隱私安全亦是一個必須解決的難題。另一個需要思考和關(guān)注的是AI在眼科診療中的失誤及歸責問題。在將來的研究中，學(xué)者們需投入更多的時間與精力，提高算法性能，逐步建立標準的數(shù)據(jù)質(zhì)控流程，搭建高質(zhì)量的標準化數(shù)據(jù)庫平臺，制訂相關(guān)倫理規(guī)范。

4 總結(jié)與展望

綜上所述，本研究運用CiteSpace軟件對Web of Science數(shù)據(jù)庫中DR領(lǐng)域AI應(yīng)用研究的相關(guān)文獻進行了全面客觀的分析。結(jié)果表明，AI已被廣泛應(yīng)用于DR領(lǐng)域，并仍在飛速發(fā)展中，未來基于AI的DR研究將顯著增加。美國和英國在AI應(yīng)用于DR研究領(lǐng)域中占據(jù)著主導(dǎo)地位，但不可忽視的是，中國在該領(lǐng)域的國際影響力越來越大。無論是作者、機構(gòu)還是國家，在后續(xù)研究中應(yīng)加強交流合作，整合資源，進一步促進該領(lǐng)域發(fā)展。此外，運用AI進行DR病灶分割和DR診斷是目前該領(lǐng)域研究最多的內(nèi)容。而對DME的療效預(yù)測、DR病程管理以及運用多模態(tài)模型提高AI算法性能則是未來AI應(yīng)用于DR研究的趨勢和重點。本研究為DR領(lǐng)域?qū)W者提供了一定的參考與借鑒。

作者貢獻：劉春進行文章的構(gòu)思與設(shè)計，研究的實施、結(jié)果分析及解釋，文章撰寫及修訂；蹇文淵負責繪制圖表及數(shù)據(jù)收集與整理；段俊國負責文章的最后修訂、質(zhì)量控制及審校，對文章整體負責。

本文無利益沖突。