综述：绘制知识景观与人工智能在冠状动脉疾病成像生物标志物领域的新兴趋势：一项基于文献计量学和可视化的分析

《Current Problems in Cardiology》：Mapping Knowledge Landscapes and Emerging Trends in AI for Coronary Artery Disease Imaging Biomarkers: A Bibliometric and Visualization Analysis

本研究通过文献计量学方法分析2015-2025年人工智能在冠状动脉疾病影像生物标志物中的应用，发现发文量快速增长后趋稳，美国和中国主导研究，热点包括深度学习、机器学习、冠状动脉CTA影像分析等，但跨学科合作不足，未来需加强协作与创新。

　　

李敏|孙双|刘敏|王宁宁|罗晨峰|孙贵喜|马晓娟|史大卓

北京中医药大学，中国北京100029

摘要

背景

随着人工智能（AI）在医学成像领域的快速发展，其在冠状动脉疾病（CAD）成像生物标志物中的应用已成为跨学科研究的关键领域。了解该领域的当前发展轨迹、研究重点和合作格局具有重要意义。

目的

本研究旨在通过文献计量学和可视化分析，全面评估AI在CAD成像生物标志物应用方面的全球研究现状、新兴趋势、知识结构及合作网络。

方法

基于Web of Science核心集合（2015–2025年）的数据，本研究使用VOSviewer、CiteSpace和Bibliometrix等工具进行了文献计量学分析。分析内容包括出版趋势、作者和机构合作、国家贡献、期刊概况、引文网络、关键词演变以及跨学科互动。

结果

共纳入1,110篇文献，涉及5,949位作者、1,903个机构和来自67个国家的262种期刊。出版数量呈快速增长，2015–2018年的年均增长率为58.74%，2019–2022年为64.33%，2023–2025年稳定在12.67%。美国和中国在出版量和引用次数方面均处于领先地位。研究热点集中在“深度学习”、“机器学习”和“冠状动脉计算机断层扫描血管造影”上，关键词聚类揭示了八个主题组，包括图像分割、放射组学和多模态预测。学科分析表明放射学与心血管系统之间存在紧密联系，但与工程学和计算机科学的整合仍有限。

结论

AI在CAD成像生物标志物领域的应用正处于稳定增长阶段，吸引了全球范围内的广泛参与。然而，研究合作仍然较为分散，跨学科整合需要加强。未来的研究方向可能集中在推进深度学习应用、提升多模态数据融合以及促进跨学科合作，以将AI工具转化为临床实践。

引言

冠状动脉疾病（CAD）是全球范围内导致死亡和残疾的主要原因之一。据统计，心血管疾病（CVD）每年导致约1730万人死亡，预计到2030年这一数字将上升至2360万，给公共卫生带来巨大负担。作为最常见的CVD类型，CAD的病理基础是冠状动脉粥样硬化。尽管目前已有基于年龄、性别、高血压、高脂血症、糖尿病和吸烟等传统风险因素的临床风险评分工具，但这些工具的预测能力仍不足，导致许多高风险患者未能被准确识别或得到妥善管理。^1,2因此，开发更精确和个性化的风险分层工具对于CAD的早期预防、诊断和治疗至关重要。

基于成像的生物标志物可以无创且直观地反映冠状动脉粥样硬化的形态和功能状态，为超越传统风险评分并提供精确的风险评估提供关键信息。这些生物标志物已从简单的定性评估（如狭窄程度）发展到对斑块组成、形态及周围血管环境的详细定量分析。例如，通过冠状动脉计算机断层扫描血管造影（CCTA），可以识别和量化不同风险预测值的多种斑块类型，如低衰减斑块、正性重塑以及具有高风险特征的餐巾环征。³

然而，传统的图像解读高度依赖医生的经验，这存在主观性强、耗时以及难以从大量图像数据中高效提取复杂高维特征模式的局限性。⁴人工智能（AI），尤其是机器学习（ML）和深度学习（DL），已成为应对这一挑战的强大工具。AI算法能够自动、快速且重复地处理图像数据，执行一系列复杂任务，如斑块检测、分割、特征提取和风险分类。更重要的是，AI可以整合成像生物标志物、基因组数据和临床变量，发现传统方法无法检测到的非线性关联和复杂模式，从而构建更强大的预测模型。²卷积神经网络（CNN）和其他深度学习模型在心脏图像分析中表现出色。这种技术整合为发现新的成像生物标志物提供了新的视角，提高了CAD风险预测的准确性和个性化水平。

近年来，AI在CAD图像分析领域的研究呈指数级增长。文献计量学分析显示，自2016年以来，该领域的年度出版量持续显著增加，论文数量年均增长率为26.1%。³中国和美国在AI医学应用的总产出方面处于绝对领先地位。⁵研究主题已从早期的心脏图像分割扩展到自动斑块分析、风险预测模型构建和多组学数据融合等前沿方向。^{6, 7, 8}许多高质量综述探讨了AI在冠心病诊断、风险分层和精准医学中的潜力和挑战。⁹

然而，现有的综述大多侧重于技术应用、特定成像模式或某些生物标志物的系统总结。目前仍缺乏从宏观知识图谱角度系统研究“AI在CAD成像生物标志物”这一跨学科领域的文献计量学研究。该领域的发展历史、核心知识基础、研究热点演变、国际合作网络及跨学科特征尚不明确。此外，尽管放射基因组学和成像基因组学等新兴方向前景广阔，但其研究趋势和影响的定量评估仍不够充分。这种知识的缺乏限制了研究人员对该领域整体情况的把握以及对其未来创新方向的洞察。

文献计量学作为一种分析学术文献中定量信息的方法，在评估研究领域的科学进展方面发挥着重要作用。¹⁰通过文献计量学分析以及内容挖掘和分析，本研究旨在实现以下目标：

1.

全面分析AI在冠状动脉疾病成像生物标志物中的当前应用状况及各个阶段的应用

2.

突出该领域的研究热点和未来趋势

3.

识别并强调在该领域表现突出的作者、领先国家和最具生产力的学术机构的贡献

4.

探索潜在的未来合作机会

5.

探讨生物标志物与AI方法之间的联系和应用规模

通过这项研究，我们旨在全面了解和评估AI在冠状动脉疾病成像生物标志物领域的应用，并为该领域的未来发展做出实质性贡献。

方法部分

方法

本研究基于Web of Science核心集合的数据，采用了一系列文献计量学方法，全面调查了出版趋势随时间的变化、作者和机构之间的合作模式、跨国生产力和联盟情况，以及学科分布及其跨学科互动，并结合了关键词聚类分析。后续的文本挖掘工作帮助提取和整合了关键发现。

研究产出的时间动态和增长

为了描绘目标领域内的出版时间动态，本研究首先使用CiteSpace对年度出版趋势进行了系统可视化。随后，在OriginPro 2025（OriginLab Corporation）中通过最小二乘法进行了多项式曲线拟合，以描述长期发展趋势。模型拟合的效果通过决定系数（R2）进行评估，该系数量化了趋势线估计值与实际数据之间的吻合程度。

年度出版量

关于冠状动脉疾病成像标志物中AI应用的研究主要以原创文章为主，这从纳入的文献组成中可以看出。在分析的1,110篇文献中，960篇（86.49%）是研究文章，150篇（13.51%）是综述。

出版量的变化反映了该领域的持续发展。2020年，出版数量达到182篇（16.47%），标志着年度出版量首次超过

总结

与以往关于冠状动脉疾病（CAD）成像生物标志物的叙述性综述不同，本研究首次采用文献计量学和可视化技术，系统地绘制了2015年至2025年该领域的人工智能研究格局。我们不仅揭示了出版趋势、核心作者以及机构和国家的分布情况，还通过合作网络分析和关键词聚类识别了研究热点和发展路径。

结论

本研究对2015年至2025年冠状动脉疾病成像生物标志物领域的人工智能研究进行了全面的文献计量学和可视化分析。我们的目标是描绘知识格局、识别新兴趋势，并评估该跨学科领域的合作网络。研究结果表明，该领域经历了不同的发展阶段，且发展速度加快

数据获取

本研究生成和分析的数据集可应要求向相应作者索取。软件操作所需的代码也可应要求提供。

作者贡献

LM构思了研究方案，确定了研究方法，进行了数据可视化并编辑了手稿。SS负责方法论工作并撰写了初稿。LM提供了软件和其他资源，并撰写和审阅了初稿。WNN、LCF和SGX组织了数据并制定了研究方法。MXJ构思了研究方案，审阅和编辑了手稿，获得了资金支持，管理了项目并进行了正式分析。SDZ提供了软件。