Artificial intelligence in diabetic retinopathy: Bibliometric analysis

Poly, Tahmina Nasrin; Islam, Md. Mohaimenul; Walther, Bruno Andreas et al. · 2023 · Computer Methods and Programs in Biomedicine

Metadata

Authors: Poly, Tahmina Nasrin; Islam, Md. Mohaimenul; Walther, Bruno Andreas; Lin, Ming Chin; Li, Yu-Chuan (Jack)

DOI: 10.1016/j.cmpb.2023.107358

Tags: #causal-inference

🔬 Deep Note📄 Quick Note

摘要概述

本综述是首篇针对"人工智能（AI）应用于糖尿病视网膜病变（diabetic retinopathy, DR）"领域的文献计量学（bibliometric analysis）研究，覆盖 2012 年 1 月 1 日至 2022 年 12 月 31 日 Web of Science Core Collection 检索得到的 931 篇英文全文文献。作者利用 Bibliometrix（R 工具）与 VOSviewer 对年发文量、期刊、作者、国家、机构、合作网络、关键词共现与参考文献共被引进行定量与可视化分析。核心发现包括：发文量在过去十年呈指数增长，中国（211 篇）、印度（143 篇）、美国（133 篇）为主要产出国家，National University of Singapore（40 篇）与 Singapore Eye Research Institute（35 篇）为最高产机构，Ting D.（34 篇）与 Wong T.（28 篇）为代表性作者；技术关键词以 deep learning、CNN、transfer learning 为主导；最高被引论文为 Gulshan V. 等 2016 年发表于 JAMA 的工作（2490 次引用）。综述结论强调 AI-DR 研究在发达国家的迅速扩张与中低收入国家研究产出的显著不足并存，并呼吁未来研究解决方法学、伦理与临床部署问题。主要局限在于仅纳入英文文献、单一数据库（WoS）以及可能遗漏 MICCAI、MLHC、ISBI 等会议论文。

综述问题、范围与选择标准

• 要回答的问题：在 2012–2022 年间，AI 应用于 DR 的研究文献的整体格局如何？包括发文趋势、主要期刊、高产国家/机构/作者、合作网络、研究热点（关键词）与知识基础（共被引文献）。
• 覆盖范围：时间窗为 2012-01-01 至 2022-12-31；对象为 Web of Science Core Collection 收录的、以 DR 为结局并采用 AI 技术的英文全文研究论文、会议论文与综述；地理尺度为全球 74 个国家/地区、1609 个机构、4164 名作者；研究类型限定为 peer-reviewed 期刊研究论文、会议论文与综述。
• 文章性质：systematic review（bibliometric/scientometric review，无新的原始实验或模型）。
• 文献选择方法：数据库为 Web of Science Core Collection（Clarivate Analytics）。检索式为 ("artificial intelligence" OR "AI" OR "machine learning" OR "deep learning" OR "Support vector machine" OR "random forest" OR "logistic regression" OR "supervised machine learning" OR "unsupervised machine learning" OR "transfer learning" OR "neural network") AND "diabetic retinopathy"。纳入标准：(1) 英文；(2) 以 DR 为结局；(3) 使用 AI 技术；类型限定为 peer-reviewed 期刊研究论文、会议论文与综述。排除标准：letters、editorials、book chapters，以及 2012 年前发表的文献（因 CNN 模型引入后该领域才开始爆发）。初检 3572 篇，经标题/摘要筛选排除 2641 篇，最终纳入 931 篇。两位受过 bibliometric 分析训练的作者按预设标准与既定指南独立筛选，分歧由第三位作者裁决。详见 § 2.1–2.2（PDF p. 2）。

主题综合

主题 1：发文量增长与产出地理/机构分布

• 核心论点：AI-DR 领域在 2012–2022 年间呈指数级增长（2012 年 6 篇，2021 年 262 篇，2022 年部分年 82 篇）；中国、印度、美国为产出最多国家，但多国合作（MCP）比例最高的为澳大利亚（0.68）、新加坡（0.65）与韩国（0.50）；机构层面 National University of Singapore 与 Singapore Eye Research Institute 领先，提示新加坡在该领域形成高度集聚的研究集群。
• 代表证据定位：Table 1（年发文量与年均增长率）、Table 3（Top 10 国家及 SCP/MCP 比例）、Table 4（Top 10 机构与引用数），均见 PDF p. 3–4；§ 3.1（PDF p. 3）描述 931 篇来自 74 国、1609 机构、4164 作者。
• 共识程度：稳固。发文趋势与高产国家排序与同领域其他 bibliometric 综述（如 Islam 2020 系统综述与 meta 分析引用）一致，且数据可由 WoS 直接复现。
• 分歧或限制：作者自陈仅纳入英文、单一数据库（WoS）可能低估中低收入国家与会议论文产出（§ 4 Discussion，PDF p. 7）；MCP 比例基于作者所属机构国别，未区分通讯作者 vs 全部作者贡献，可能高估或低估实际国际合作深度。

主题 2：关键词共现与研究技术热点

• 核心论点：在 931 篇文献的 1649 个关键词中，临床关键词以 diabetic retinopathy（389, 20%）、retina、diabetes、glaucoma、macular oedema 为主，技术关键词以 deep learning（225, 12%）、artificial intelligence（108, 6%）、machine learning（94, 5%）、convolutional neural networks（51, 3%）、feature extraction、transfer learning、support vector machine 为主。Top 100 关键词形成 8 个聚类，表明研究热点集中在 CNN 与 transfer learning 的影像分类方法上。
• 代表证据定位：Table 6（Top 20 author keywords，PDF p. 5）；§ 3.2 Co-occurrence analysis of top 100 keywords（PDF p. 3）；Fig. 3 caption（PDF p. 7）描述 8 个聚类的颜色与项目数（red 20、green 18、blue 18、yellow 13、dark violet 10、cyan 10、dark orange 6、sienna 5）。
• 共识程度：稳固。CNN 与 deep learning 在 AI-DR 文献中的主导地位与该领域标志性工作（Gulshan 2016、Ting 2017、Gargeya 2017）所采用的方法范式一致。
• 分歧或限制：作者未对 8 个聚类的语义进行逐一解读，亦未报告关键词爆发年份（burst detection）或时间演化轨迹；Table 6 仅列前 20，剩余 1629 个关键词的分布未报告，影响对新兴（低频但快速增长）主题的识别。

主题 3：共被引网络与高被引知识基础

• 核心论点：931 篇文献共被 20,152 篇参考文献引用（平均 21.66 篇/篇）；Top 10 高被引论文以 Gulshan V. 2016（JAMA, 2490 次引用）、De Fauw J. 2018（Nature Medicine, 795 次）、Ting D. 2017（JAMA, 738 次）为首，多发表于高影响因子期刊（JAMA、Nature Medicine、Ophthalmology）。被引 ≥25 次的 173 篇文献形成 18 个聚类，构成该领域的知识基础骨架。
• 代表证据定位：Table 7（Top 10 高被引文献，PDF p. 5）；§ 3.3 Reference co-citation analysis（PDF p. 3）；Fig. 4 caption（PDF p. 8）描述 173 篇文献的共被引网络与 18 个聚类。
• 共识程度：稳固。Gulshan 2016 作为 AI-DR 领域里程碑的地位在多项综述中被反复确认；高被引集中于高影响因子期刊的观察与 Garfield 关于影响因子与引用关系的经典论述（文献 32）一致。
• 分歧或限制：作者自陈引用数不能完全反映文章质量，且 self-citation 可能造成偏倚（§ 4 Discussion，PDF p. 7）；未对 18 个共被引聚类进行主题命名与解读，知识基础的结构性解释因此不完整。

关键图表、Box 与分类框架

• 定位：Table 1（年发文量，PDF p. 3）、Table 2（Top 10 期刊，PDF p. 4）、Table 3（Top 10 国家及 SCP/MCP，PDF p. 4）、Table 4（Top 10 机构，PDF p. 4）、Table 5（Top 10 作者及 h-index/g-index，PDF p. 4）、Table 6（Top 20 关键词，PDF p. 5）、Table 7（Top 10 高被引论文，PDF p. 5）；Fig. 1（机构合作网络，11 聚类，PDF p. 6）、Fig. 2（作者合作网络，8 聚类，PDF p. 6）、Fig. 3（关键词共现网络，8 聚类，PDF p. 7）、Fig. 4（共被引网络，18 聚类，PDF p. 8）。
• 内容：构成一组完整的 bibliometric 四维（产出、合作、热点、知识基础）可视化与排序框架。Table 5 同时报告 h-index 与 g-index，为作者影响力提供多指标视角；Table 3 的 MCP ratio 用于量化国际合作强度；Table 2 将期刊按 ophthalmology 与 computer science 两类学科归属分组。
• 价值：为后续研究者快速识别该领域的核心期刊、核心团队（Ting–Wong 新加坡集群、Abramoff 美国集群）、核心方法（CNN、transfer learning）与核心知识源（Gulshan 2016、Ting 2017）提供导航地图；MCP ratio 与 SCP/MCP 分解可用于评估各国国际化的程度。
• 局限：所有可视化基于 VOSviewer 默认参数（如 ≥5 篇的机构阈值、≥25 次的共被引阈值），未报告稳健性分析或聚类有效性指标（如 modularity）；Table 7 引用统计截至 2022-04-10，时效性有限；Fig. 1–4 仅有 caption，图中节点与边的具体权重未在正文表格中逐一列出，复现需依赖原始 VOSviewer 文件（未提供）。

共识、争议与研究空白

相对稳固的共识

• AI-DR 领域发文量在 2012–2022 年间呈持续增长趋势，且 CNN/deep learning 为该领域主导技术范式——Table 1（2012 年 6 篇增至 2021 年 262 篇）、Table 6（deep learning 12%、CNN 3%）、§ 4 Discussion（"most of the studies in the field used deep learning algorithms such as convolutional neural networks and transfer learning"，PDF p. 6）。
• Gulshan V. 2016（JAMA）为该领域引用最高的里程碑文献，且高被引论文集中于高影响因子期刊——Table 7（2490 次引用）与 § 4 Discussion（"top cited articles were published in high impact factor journals such as JAMA, JAMA Ophthalmology, and Nature Medicine"，PDF p. 3–4）。

尚存争议

• AI 模型在不同人群/临床场景下的表现稳定性存在争议：作者在 § 4 Discussion（PDF p. 6–7）指出"the performance of the AI model varies in various settings"，且多数研究依赖公共数据集（MESSIDOR 2、EyePACS-1、E-Ophtha），未来在不同成像质量与人群中的外部验证仍不充分（§ 4 Discussion，引用 Wang et al. 2020 与 Grzybowski 2020）。
• 中低收入国家是否应优先部署 AI-DR 筛查 vs 先补足基础眼科人力资源，作者倾向前者（§ 4 Discussion，PDF p. 5"the urgency of AI research in the DR domain for ensuring the benefits...in low and middle-income countries"），但未与卫生经济学或实施科学证据进行对照，结论带有倡导性而非证据合成。

作者提出的研究空白

• 中低收入国家 AI-DR 研究产出不足：作者在 § 4 Discussion（PDF p. 4–5）明确指出"the research output of middle and low-income countries is still scanty"，并归因于政府投资优先级与基础设施差距，呼吁克服投资、技术、人力、基础设施与语言障碍。
• 方法学、伦理与临床部署研究不足：作者在 § 5 Conclusion（PDF p. 8）提出"Future studies should address potential challenges such as methodological implications, ethics, and clinical deployment of AI models in low and middle-income countries"。
• 多数据库扩展需求：作者在 § 4 Discussion（PDF p. 7）自陈"Future studies will apply other databases, like Scopus and PubMed, to explore more potential articles"，并指出当前可能遗漏 MICCAI、MLHC、ISBI 等会议论文。

我识别的遗漏

• 缺乏对 8 个关键词聚类与 18 个共被引聚类的语义命名与主题解读：Fig. 3 caption（PDF p. 7）仅列出各聚类的颜色与项目数，正文未逐一解读聚类所代表的研究子方向（如是否区分"筛查部署"vs"算法改进"vs"多病种联合诊断"），限制了读者对领域结构的理解。
• 未报告算法性能层面的定量合成：虽然引用 Islam 2020 系统综述（文献 1）提及 CNN 的 pooled sensitivity/specificity，但本文作为 bibliometric 综述未对 931 篇文献中报告的 AUC、sensitivity、specificity 进行分布统计或元聚合，无法回答"该领域模型性能的整体水平与异质性"这一关键问题。
• 未涉及数据共享、可重复性与算法偏倚（algorithmic bias）等 AI-DR 落地的核心治理议题：§ 4–5 仅泛泛提及"ethics"，未具体讨论训练集人群偏倚对模型在不同种族/地区泛化性的影响，而这是 Ting 2017（multiethnic populations）与后续真实世界研究反复强调的问题。
• 时间窗截止 2022-12-31 但 Table 1 显示 2022 年仅 82 篇，明显低于 2021 年的 262 篇，作者未解释该骤降是否为数据库收录延迟（indexing lag）所致，影响对增长趋势外推的可信度（作者据此预测"5 年内文献量将增至 3 倍"，§ 4 Discussion PDF p. 3）。

个人批注

与我的工作的关系

本综述提供的 bibliometric 方法论（Bibliometrix + VOSviewer 的四维分析框架）可直接迁移到我所关注的心血管 AI 影像与计算病理学领域的趋势图谱构建；其识别的 AI-DR 标杆文献（Gulshan 2016、Ting 2017）与方法范式（CNN + transfer learning + 公共数据集验证）也是评估其他医学 AI 子领域成熟度的参照基线。与本地队列中的 2023-AI-VulnerablePlaque-Foellmer（心血管 AI imaging roadmap）与 2019-Artificial-Intelligence-Cardiovascular-Siegersma（心血管影像 AI 综述）形成方法学对照。

可复用框架

• 四维 bibliometric 框架：发文趋势（年增长 rate）→ 产出分布（国家/机构/作者的 SCP/MCP/h-index/g-index）→ 研究热点（关键词共现聚类）→ 知识基础（共被引聚类），可作为任何"AI+疾病"领域文献计量综述的模板。
• 增长率公式：Growth rate = ((N_2022 / N_2012)^(1/n) − 1) × 100（§ 2.3，PDF p. 2），可直接复用。
• 期刊双学科归属分组（ophthalmology vs computer science）用于刻画跨学科期刊生态。

疑问与后续动作

• 疑问 1：2022 年发文量骤降（82 vs 2021 年 262）是否为 WoS 收录延迟？若纳入 2023–2024 数据，作者"5 年三倍"的预测是否成立？后续动作：用 Web of Science 重新检索 2022–2024 年 AI-DR 文献，核对 Table 1 数据并更新增长趋势。
• 疑问 2：18 个共被引聚类分别对应哪些研究子方向？后续动作：获取 VOSviewer 聚类导出文件（若作者未公开，则用相同检索式重建），对 173 篇高被引文献做主题标注。
• 疑问 3：931 篇中有多少报告了外部验证、多中心数据或前瞻性临床部署？后续动作：对 931 篇做二次筛选，统计 external validation、prospective、RCT 等标签的占比，弥补本文未做性能合成的缺口。

与上下文的关系

本文建立在

本文在方法学上建立在 Pritchard 1969（文献 26，bibliometrics 概念起源）、Mooghali 2012（文献 27）、Su & Lee 2010（文献 28，keyword co-occurrence mapping）等 bibliometric 方法论文献之上；在 AI-DR 临床基础上引用 Islam 2020（文献 1，CNN for DR 的系统综述与 meta 分析）、Gulshan 2016（文献 18）、Ting 2017（文献 20）、Abramoff 2016（文献 31）等里程碑原始研究。 bibliometric 方法学先例包括 Yeung 2020（文献 21，nanoparticles bibliometric）、Müller 2018（文献 23，eHealth/mHealth bibliometric）、Moghimi 2013（文献 24，scientometric 指南）与 Martinez 2019（文献 25）。具体上游文献的完整内容本次未核实。

已核实的后续引用

本次未检索。

同类综述对比

• 与本地队列 2019-Artificial-Intelligence-Cardiovascular-Siegersma（Siegersma 2019, Netherlands Heart Journal）对比：后者为 narrative review，聚焦心血管影像 AI 的临床链路（采集→重建→测量→诊断→预后），不涉及 bibliometric 定量；本文则聚焦 DR 单一疾病但提供量化地图，两者在"AI+医学影像"领域形成定性 vs 定量的互补。
• 与本地队列 2023-AI-VulnerablePlaque-Foellmer（Föllmer 2023, Nat Rev Cardiol）对比：后者为 Delphi 共识 roadmap，聚焦冠脉易损斑块 AI 成像的临床部署要求与 trustworthy AI 框架；本文无共识方法学，但提供了更广的文献覆盖（931 篇 vs roadmap 的选择性引用）。两者共同暴露的缺口：可重复性、外部验证与算法治理。
• 与本地队列 2022-CAD-DL-Johri（Johri 2022, Computers in Biology and Medicine）对比：后者为单一原始研究（AtheroEdge 多分类 DL 平台），本文为领域综述；Johri 的工作类型正是本文 bibliometric 所统计的"computer science + biomedical engineering"类期刊的典型产出。
• 与本地队列 2022-Diabetic-RetinaScreen-Pandey（Pandey 2022, Br J Ophthalmol）对比：后者为国家级 DR 筛查项目（Irish INDEAR）的真实世界运行报告，属临床实施层面；本文未涉及具体筛查项目的运行指标，但两者共同指向 DR 筛查的规模化与自动化需求。其他同类 bibliometric 综述本次未核实。

与本地论文队列的关系

• ../2022-Diabetic-RetinaScreen-Pandey/quick_note.md：DR 筛查项目实施证据，与本文 AI-DR 自动化筛查主题直接相关。
• ../2023-AI-VulnerablePlaque-Foellmer/quick_note.md：心血管 AI imaging roadmap，可对比 AI 医学影像的临床落地框架与治理议题。
• ../2019-Artificial-Intelligence-Cardiovascular-Siegersma/quick_note.md：心血管影像 AI narrative review，定性 vs 定量方法学互补。
• ../2022-CAD-DL-Johri/quick_note.md：CAD 多分类 DL 原始研究，属本文统计的典型产出类型。

快速判断

• 一句话结论：本文采用文献计量学（bibliometric analysis）方法，系统梳理了 2012–2022 年间 Web of Science 收录的 931 篇"人工智能应用于糖尿病视网膜病变（DR）"相关文献，揭示了该领域的研究趋势、核心作者、合作网络、机构、国家与期刊分布。
• 阅读范围：仅 metadata、first page、abstract、最多 3 个 figure/table captions 和 conclusion；未通读正文
• 处理决定：保留参考
• 决定理由：该文与数据驱动方法及其在生物医学问题中的适用性相关；受限材料足以保留研究线索，但不足以支持全文级方法或稳健性判断。

摘要概述

本文采用文献计量学（bibliometric analysis）方法，系统梳理了 2012–2022 年间 Web of Science 收录的 931 篇"人工智能应用于糖尿病视网膜病变（DR）"相关文献，揭示了该领域的研究趋势、核心作者、合作网络、机构、国家与期刊分布。结果显示相关发文量在过去十年持续增长，高产期刊为 Investigative Ophthalmology & Visual Science、IEEE Access 和 Computers in Biology and Medicine；中国（211 篇）、印度（143 篇）、美国（133 篇）为最主要产出国家，新加坡国立大学、新加坡眼科研究所与约翰霍普金斯大学为高产机构，Ting D.、Wong T.、Tan G. 为高产作者。研究借助 Bibliometrix（R）与 VOSviewer 进行合作网络、关键词与引文可视化，为后续 AI-DR 研究方向与临床落地提供了全局视角。该综述强调 AI 自动分级在资源匮乏地区 DR 筛查中的应用潜力，但仍需关注不同人群场景下模型表现的差异。

关键证据

• 证据 1（定位）：Abstract
• 展示或报告：本文采用文献计量学（bibliometric analysis）方法，系统梳理了 2012–2022 年间 Web of Science 收录的 931 篇"人工智能应用于糖尿病视网膜病变（DR）"相关文献，揭示了该领域的研究趋势、核心作者、合作网络、机构、国家与期刊分布。结果显示相关发文量在过去十年持续增长，高产期刊为 Investigative Ophthalmology & Visual Science、IEEE Access 和 Computers in Biology and Medicine；中国（211 篇）、印度（143 篇）、美国（133 篇）为最主要产出国家，新加坡国立大学、新加坡眼科研究所与约翰霍普金斯大学为高产机构，Ting D.、Wong T.、Tan G. 为高产作者。
• 支持的结论：本文采用文献计量学（bibliometric analysis）方法，系统梳理了 2012–2022 年间 Web of Science 收录的 931 篇"人工智能应用于糖尿病视网膜病变（DR）"相关文献，揭示了该领域的研究趋势、核心作者、合作网络、机构、国家与期刊分布。
• 注意事项：仅据受限 quick source；方法细节、完整定量结果与稳健性分析本次未核实。

局限与未核实项

• 最大局限：当前仅完成 quick triage，不能据此确认正文中的全部实验、模型或统计假设。
• 未核实项：完整方法、样本或参数设置、敏感性分析、局限讨论及数据与代码可用性。

与我的关联

• 可复用点：文中的数据分析或机器学习流程可作为方法设计的候选参考；数据依赖、泛化性与实现细节本次未核实。
• 关联的当前问题：作为 AI 医学影像与临床决策支持领域的文献计量综述，可为评估 AI-DR 研究热点与识别潜在合作/选题方向提供参考地图；其方法论（Bibliometrix + VOSviewer）亦可用于我所关注的其他医学 AI 子领域的趋势分析。
• 下一步动作：保留参考；仅在当前问题需要其完整方法或定量证据时升级为 deep note。