影像組學(xué)在前列腺癌中的研究熱點(diǎn)和趨勢的可視化分析

王文昊, 張?zhí)磔x, 謝周洲, 張桂豪, 陳南輝

1廣東醫(yī)科大學(xué)第一臨床醫(yī)學(xué)院(廣東湛江 524023); 梅州市人民醫(yī)院 2磁共振二科, 4泌尿外二科(廣東梅州 514031); 3汕頭大學(xué)醫(yī)學(xué)院梅州臨床學(xué)院(廣東梅州 514031); 5廣東醫(yī)科大學(xué)梅州臨床醫(yī)學(xué)院(廣東梅州 514031)

前列腺癌(prostate cancer,PCa)是男性第二大常見惡性腫瘤,每年新增病例約為140萬例[1]。隨著PCa篩查的普及和人口老齡化的趨勢,我國PCa的發(fā)病率呈持續(xù)增長趨勢,嚴(yán)重危害我國男性健康[2]。PCa起病隱匿,大部分患者首發(fā)即為中晚期,這使得很多患者錯(cuò)過最佳的治療時(shí)機(jī)。研究表明,PCa早診早治有助于提高患者的生存率,延長患者壽命[3],因此實(shí)現(xiàn)PCa的早診早治顯得尤為重要。目前,PCa最常用的篩查手段是前列腺特異性抗原(prostate specific antigen,PSA)。但PSA易受到年齡、炎癥、射精等多種因素干擾,其敏感度和特異度方面均有限[4]。與之相比,影像組學(xué)可將傳統(tǒng)影像學(xué)圖像轉(zhuǎn)換為醫(yī)學(xué)數(shù)據(jù),反映腫瘤內(nèi)部異質(zhì)性,其可以彌補(bǔ)常規(guī)檢查方法的不足,實(shí)現(xiàn)對疾病的診斷和療效評估[5]。近年來,隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展,研究者在PCa影像組學(xué)方面的研究不斷深入[6-8],相關(guān)文獻(xiàn)量迅速攀升,但缺少對該領(lǐng)域當(dāng)前研究趨勢和研究熱點(diǎn)的相關(guān)研究。文獻(xiàn)計(jì)量學(xué)是一種對文獻(xiàn)資料進(jìn)行定量分析的研究方法。它通過統(tǒng)計(jì)學(xué)方法分析文獻(xiàn)相關(guān)資料,了解研究質(zhì)量,探索當(dāng)前研究熱點(diǎn)和發(fā)展趨勢,預(yù)測未來研究方向[9-11]。本研究利用Citespace、VOSviewer和R語言對PCa影像組學(xué)相關(guān)文獻(xiàn)進(jìn)行可視化分析,總結(jié)影像組學(xué)在PCa中的應(yīng)用和發(fā)展情況,揭示影像組學(xué)在PCa當(dāng)前發(fā)展趨勢,探索該領(lǐng)域研究熱點(diǎn),為PCa影像組學(xué)的研究者提供研究方向。

1 資料與方法

1.1 研究對象 本研究通過醫(yī)院倫理委員會審核(梅市倫審2023-C-89)。以Web of Science(WOS)核心合集數(shù)據(jù)庫中1980年至2023年7月17日發(fā)表的與PCa影像組學(xué)相關(guān)的所有文獻(xiàn),檢索詞為TS=(“radiomics”or “radiogenomics” or “texture analysis”) and ts=((“prostate” or “prostatic”) near/1(“cancer” or “tumor”))。

1.2 文獻(xiàn)檢索策略 按上述檢索式搜索,初步獲取文獻(xiàn),再剔除非英語文獻(xiàn)、會議摘要(meeting abstract)、社論材料(editorial material)、勘誤(correction)、撤回論文(retraction)。數(shù)據(jù)分別由兩名研究人員進(jìn)行提取并交叉核對,以確保數(shù)據(jù)的準(zhǔn)確性和研究的可重復(fù)性。見圖1。

圖1 文獻(xiàn)檢索策略圖

1.3 數(shù)據(jù)分析 將在WOS上檢索出來的結(jié)果,導(dǎo)出為“完整記錄和引用的參考文獻(xiàn)”的純文本文件,里面包括出版年份、文獻(xiàn)類型、作者、隸屬關(guān)系、出版物標(biāo)題、出版商、研究領(lǐng)域和國家/地區(qū)等屬性。利用WOS數(shù)據(jù)庫的“引文報(bào)告創(chuàng)建”功能獲取了按年份的被引頻次和出版物分布圖。隨后,使用RStudio(版本4.2.3)的“Bibliometrix”包,將數(shù)據(jù)文件導(dǎo)入到Biblioshiny中。

1.3.1 合作網(wǎng)絡(luò)分析 使用VOSviewer 1.6.19[12-13]檢測不同國家/地區(qū)或機(jī)構(gòu)之間的合作模式,揭示相互之間的合作關(guān)系

1.3.2 共被引分析 使用VOSviewer 1.6.19對期刊、作者和文章進(jìn)行共被引分析,以評估相互之間的關(guān)系強(qiáng)度。以總鏈接強(qiáng)度(total link strength,TLS)來衡量與其他國家/地區(qū)或機(jī)構(gòu)的聯(lián)系緊密程度,其數(shù)值越大表明相互之間的合作越緊密。將共同引用次數(shù)不少于50次的97種期刊納入分析對象。節(jié)點(diǎn)越大,期刊的重要性越高;節(jié)點(diǎn)之間的連線越粗,兩種期刊的研究內(nèi)容相似度越高。被引次數(shù)會受到發(fā)表時(shí)間的影響,本研究還增加年平均被引數(shù)(TC per year)以綜合評估。

1.3.3 共現(xiàn)分析 對關(guān)鍵詞進(jìn)行共現(xiàn)分析,揭示出該領(lǐng)域鮮明的研究方向和熱點(diǎn)。有部分論文沒有被添加Author Keywords(DE),本研究額外加入了WOS自動(dòng)生成的Keywords Plus(ID),合并為All Keywords (DE+ID)。將時(shí)間屬性賦予到關(guān)鍵詞,對關(guān)鍵詞進(jìn)行時(shí)間疊加可視化分析,可揭示潛在的研究熱點(diǎn)。

1.3.4 聚類分析 使用CiteSpace 6.2.4[14-15]對不同作者的研究方向、文章主體和關(guān)鍵詞進(jìn)行聚類分析。以Q值衡量網(wǎng)絡(luò)聚類效果,Q值>0.3時(shí)表示聚類效果好,S值是測量網(wǎng)絡(luò)同質(zhì)性的指標(biāo),S值越接近1,其網(wǎng)絡(luò)同質(zhì)性越好[16-17]。

2 結(jié)果

2.1 檢索結(jié)果 根據(jù)搜索式搜索初步獲取文獻(xiàn)607篇。排除非英語文獻(xiàn)5篇,剔除會議摘要58篇、社論材料21篇、勘誤3篇、撤回論文1篇,最終納入文獻(xiàn)519篇,其中論著420篇,綜述99篇。通過WOS引文分析功能分析了“相關(guān)領(lǐng)域的發(fā)表和被引趨勢”,近5年來,PCa影像組學(xué)相關(guān)領(lǐng)域的研究呈爆發(fā)式增長,發(fā)文量(370篇)和總被引次數(shù)(5 584)分別占全年的71.3%和34.3%(圖2)。

圖2 1996—2023年總發(fā)文量及被引頻次

2.2 國家/地區(qū)、機(jī)構(gòu)分布及合作網(wǎng)絡(luò)視圖 1980—2023年,共有52個(gè)國家/地區(qū)為PCa影像組學(xué)相關(guān)研究作出了貢獻(xiàn),在國家/地區(qū)中,來自美國的作者在該領(lǐng)域最活躍,發(fā)文160篇,其次是中國(n=119)和意大利(n=80)。而在發(fā)文量前10的研究機(jī)構(gòu)中,Icahn School of Medicine at Mount Sinai的貢獻(xiàn)最為突出(n=27),其次是The University of Manchester(n=21)和University of Cambridge(n=20),見表1。有27個(gè)國家在相關(guān)領(lǐng)域發(fā)表了5篇以上論文,美國占據(jù)了中心位置(TLS=186),其次是英國(TLS=1118)、德國(TLS=186)、意大利(TLS=182)和荷蘭(TLS=174),國家之間的共同合作見圖3。在機(jī)構(gòu)合作方面,Icahn School of Medicine at Mount Sinai(TSL=134)在該領(lǐng)域具有重要地位,其次是The University of Manchester(TSL=121)和University of Cambridge(TSL=111),見圖4。

表1 發(fā)文量前10的國家/地區(qū)及機(jī)構(gòu)

圖3 國家/地區(qū)間的合著化分析圖譜

圖4 機(jī)構(gòu)間的合著化分析圖譜

2.3 期刊分析 PCa影像組學(xué)研究共被發(fā)表在168種期刊。報(bào)道最多和被引用次數(shù)最多的10本期刊見表2,其中《Frontiers in oncology》(n=36)、《Cancers》(n=32)、《European radiology》(n=25)是刊登文章最多的3個(gè)期刊,占所有文章的18%。被引用次數(shù)最多的期刊是《European radiology》(n=1 256)、其次是《Journal of magnetic resonance》(n=877)和《Cancers》(n=398)。根據(jù)2022年期刊引文報(bào)告,發(fā)文量前10的期刊中,位于Q1、Q2的期刊各有4本;被引用次數(shù)前10的期刊中,有4本期刊為Q1,5本期刊為Q2。《Radiology》在該領(lǐng)域尤為重要,其次是《European radiology》和《International Journal of Radiation Oncology Biology Physics》。見圖5。

2.4 作者分析 Rosenstein教授的產(chǎn)出最高(20篇),其次是Kerns教授(14篇)和West教授(14篇);Lambin教授(2 947)的TLS最高,緊隨其后的是Chaddad教授(2 669),Gillies教授(2 644),Turkbey教授(2 236)和Wibmer教授(2 050);而總被引次數(shù)最高的是Gillies(4 954次),見表3。為Madabhushi教授早在2005年開始了這一領(lǐng)域的研究,而Rosenstein教授自2007年就開始了這一領(lǐng)域的研究,并持續(xù)保持大量的產(chǎn)出。此外,大多數(shù)作者在2014年開始發(fā)表與該領(lǐng)域相關(guān)的文章。近年來,Tian教授開始在PCa影像組學(xué)研究領(lǐng)域嶄露頭角,發(fā)文量前10的作者隨著時(shí)間推移在該領(lǐng)域的影響力見圖6。Rrosenstein教授與來自美國的研究人員合作最多,其次是West教授和Vega教授與來自英國的研究人員合作較多。在機(jī)構(gòu)合作方面,Rosenstein 教授和Kems教授與Icahn School of Medicine at Mount Sinai合作最緊密。國家、作者和隸屬機(jī)構(gòu)的關(guān)系見圖7。

表2 發(fā)文量及被引用次數(shù)前10的期刊

圖5 Z期刊間的共引分析圖譜

表3 發(fā)文量、總被引次數(shù)及總鏈接強(qiáng)度前10的作者

圖6 發(fā)文量前10的作者隨時(shí)間推移在該領(lǐng)域的發(fā)文量

圖7 國家、作者和隸屬機(jī)構(gòu)之間關(guān)系的?；鶊D

2.5 文獻(xiàn)共被引分析 該領(lǐng)域被引頻次排名前十的文獻(xiàn)如表4所示。Gills等[18]發(fā)表在Radiology上的“Radiomics:Images are more than pictures,they are data”的論文以最高的被引次數(shù)(4 045)位居榜首,顯著超過排名第二的文章(613);年平均被引數(shù)505.63,以該指標(biāo)衡量,該論文依然排名第一,其在研究領(lǐng)域的影響深遠(yuǎn)。PCa影像組學(xué)領(lǐng)域文獻(xiàn)共被引分析圖譜見圖8,共有78篇參考文獻(xiàn)至少被共同引用20次。Gills(2016)發(fā)表的論文在圖中的節(jié)點(diǎn)最大,為研究者進(jìn)行影像組學(xué)研究提供了方法。在此基礎(chǔ)上,聚類效果和網(wǎng)絡(luò)同質(zhì)性均較好,Q值為0.5959,S值為0.8987,參考文獻(xiàn)的主題主要被聚類為PI-RADS、Normal tissue toxicity、mp-MRI、PET。見圖9。

表4 被引用次數(shù)前10的文獻(xiàn)

圖8 文獻(xiàn)共被引分析圖譜

圖9 文獻(xiàn)共被引聚類分析圖譜

2.6 關(guān)鍵詞分析 總共記錄了1 890個(gè)All Keywords,其中,有194個(gè)關(guān)鍵詞出現(xiàn)了至少5次,使用頻率最高的5個(gè)關(guān)鍵詞分別是radiomics(放射組學(xué))、prostate cancer(前列腺癌)、MRI、prostate-cancer(前列腺癌)、texture analysis,見表5。TLS排名前5的關(guān)鍵詞也是該5個(gè),其中“radiomics”位居首位。

結(jié)果顯示,近年來研究聚焦在artificial intelligence(人工智能)(Avg.Pub.year=2021.40)、deep learning(深度學(xué)習(xí))(2020.88)、nomogram(列線圖)(2021.47)、clinically significant(臨床變量)(2021.88)。見圖10。

表5 出現(xiàn)頻率最高及總鏈接強(qiáng)度最大的5個(gè)關(guān)鍵詞

圖10 關(guān)鍵詞共現(xiàn)分析的時(shí)間疊加可視化

3 討論

PCa是泌尿系統(tǒng)最常見的腫瘤之一,其發(fā)病率逐年攀升。PCa篩查主要依靠PSA水平的檢測,但其診斷的準(zhǔn)確率存在局限性。為了更深入地了解這一問題,文獻(xiàn)計(jì)量分析以文獻(xiàn)體系和文獻(xiàn)計(jì)量特征為研究對象,利用定量研究方法分析某一領(lǐng)域的文獻(xiàn)分布、關(guān)系、變化和進(jìn)展,從而為該領(lǐng)域的研究者當(dāng)前研究熱點(diǎn)及發(fā)展趨勢[28-29]。本研究顯示,自2015年以來PCa影像組學(xué)相關(guān)研究呈現(xiàn)快速增長,特別是近5年來,該領(lǐng)域的研究呈爆發(fā)式增長,發(fā)文量和被引頻次均占所有相關(guān)研究的50%以上,這一數(shù)據(jù)反映出科學(xué)界對PCa影像組學(xué)研究的日益關(guān)注以及這一領(lǐng)域在診斷和治療PCa方面潛在的重大價(jià)值。

被引分析是評估學(xué)術(shù)論文或作者相關(guān)性的一個(gè)常用工具[30],并且經(jīng)常用作衡量作者學(xué)術(shù)影響力的指標(biāo)[12,31]。例如,Lammbin教授的論文共同被引用次數(shù)最多,與其他作者之間的聯(lián)系最緊密,特別是其發(fā)表的“Radiomics:extracting more information from medical images using advanced feature analysis”系統(tǒng)地總結(jié)了影像組學(xué)的工作流程,為研究者提供了規(guī)范化的研究方法。此外,Gills等[18]發(fā)表在《Radiology》上的“Radiomics:images are more than pictures,they are data”一文的文獻(xiàn)共被引分析節(jié)點(diǎn)最大,該文從影像組學(xué)的研究步驟、影像組學(xué)操作實(shí)例以及現(xiàn)有挑戰(zhàn)等進(jìn)行了詳盡的闡述,是眾多PCa影像組學(xué)研究者參考的核心文獻(xiàn)。以上兩位作者都為該領(lǐng)域作出了突出的貢獻(xiàn)。通過對被引文獻(xiàn)進(jìn)行聚類分析,該領(lǐng)域被引較多的文獻(xiàn)主題為PI-RADS、mpMRI、PET,這表明,既往該領(lǐng)域在PCa影像組學(xué)的研究中多關(guān)注MRI影像組學(xué)與PI-RADS評分在PCa中的研究[33-35]。對關(guān)鍵詞進(jìn)行共現(xiàn)分析,該領(lǐng)域的主要關(guān)鍵詞為Radiomics、prostate cancer、MRI、texture analysis。進(jìn)一步將時(shí)間賦予關(guān)鍵詞顯示,近年來該領(lǐng)域的熱點(diǎn)為artificial intelligence、deep learning、nomogram、clinically significant。

目前,越來越多的研究集中于將人工智能、深度學(xué)習(xí)、列線圖和臨床變量運(yùn)用于PCa影像組學(xué)的研究。在PCa的診斷方面,Li等[36]基于深度學(xué)習(xí)開發(fā)了一種影像組學(xué)模型用于區(qū)分前列腺良惡性,取得了良好的預(yù)測效能(AUC=0.985),并將其轉(zhuǎn)化為列線圖用于臨床使用。He等[37]研究表明,將臨床變量加入影像組學(xué)模型后,模型診斷PCa的特異度從0.781提高至0.827,準(zhǔn)確度從0.8提高至0.86。Zhang等[38]將年齡、PI-RADS評分和影像組學(xué)特征相結(jié)合,構(gòu)建新型列線圖模型用以預(yù)測PCa,結(jié)果表明該模型可以提高PSA灰區(qū)診斷準(zhǔn)確率,減少不必要的穿刺活檢。Zheng等[39]研究表明,臨床變量可使影像組學(xué)模型診斷淋巴結(jié)轉(zhuǎn)移的AUC從0.843提高至0.915。Makowski等[40]將圖像增強(qiáng)技術(shù)運(yùn)用于影像組學(xué)診斷PCa Gleason評分中,結(jié)果顯示,圖像增強(qiáng)技術(shù)能使支持向量機(jī)模型的準(zhǔn)確率提升48%。因此,影像組學(xué)和人工智能、深度學(xué)習(xí)、臨床因素、列線圖相結(jié)合比傳統(tǒng)影像組學(xué)診斷PCa的診斷效能更好,而且為臨床醫(yī)生提供了更加準(zhǔn)確的診斷決策工具,進(jìn)而為患者提供更精確的個(gè)性化治療方案。

在PCa的療效預(yù)測方面,相關(guān)研究顯示融合先進(jìn)技術(shù)的影像組學(xué)模型在疾病進(jìn)展方面優(yōu)于傳統(tǒng)方法。Sushentsev等[41]基于循環(huán)神經(jīng)網(wǎng)絡(luò)構(gòu)建的時(shí)間序列影像組學(xué)模型與PSA密度相結(jié)合(AUC=0.86)在預(yù)測疾病進(jìn)展方面明顯優(yōu)于傳統(tǒng)的Delta影像組學(xué)和PSA密度結(jié)合的模型(AUC=0.75)。此外,時(shí)間序列影像組學(xué)模型的診斷性能(AUC=0.86)與影像醫(yī)生使用PRECISE評分系統(tǒng)連續(xù)分析MRI的診斷性(AUC=0.84)相當(dāng)。Zhong等[42]在影像組學(xué)中應(yīng)用了自動(dòng)化工作流程來識別MRI圖像中的客觀特征,在預(yù)測生化復(fù)發(fā)方面,影像組學(xué)模型(AUC=0.99)展現(xiàn)出了優(yōu)秀的預(yù)測能力,同時(shí),該模型對非生化復(fù)發(fā)的預(yù)測準(zhǔn)確率高達(dá)86.1%。此外,深度學(xué)習(xí)在病變自動(dòng)分割方面也展現(xiàn)出了較好的效果。Bleker等[43]開發(fā)的基于深度學(xué)習(xí)掩碼的自動(dòng)分割方法(AUC=0.76)比專家手工分割方法(AUC=0.67)具有更高的準(zhǔn)確率和更少的時(shí)間,平均可節(jié)省97%的時(shí)間。因此,在影像組學(xué)中運(yùn)用人工智能、深度學(xué)習(xí)的方法比傳統(tǒng)影像組學(xué)方法預(yù)測能力更強(qiáng),效率更高,可以節(jié)省更多的醫(yī)療資源。這些技術(shù)的集成對于PCa的診斷和治療提供了更精確、更高效的方法。

本研究仍存在一定的局限性,首先,我們只對WOS數(shù)據(jù)庫進(jìn)行文獻(xiàn)檢索,沒有在PubMed或Scopus等數(shù)據(jù)庫進(jìn)行檢索,可能會遺漏部分相關(guān)文獻(xiàn)。此外,我們檢索的語言是英語,論文篩選標(biāo)準(zhǔn)存在一定的主觀性和差異性。這意味著非英文文獻(xiàn)和那些未被廣泛引用或僅有自我引用的文獻(xiàn)被排除在外,可能影響了研究的全面性。最后,文獻(xiàn)檢索時(shí)間點(diǎn)是2023年7月17日。但由于2023年尚未結(jié)束,因此2023年的數(shù)據(jù)并不完整。盡管有這些局限性,研究結(jié)果仍顯示PCa影像組學(xué)領(lǐng)域的快速發(fā)展,特別是美國在該領(lǐng)域的領(lǐng)先地位。相比之下,中國雖然在發(fā)文量上表現(xiàn)出色,但在國際交流方面較為薄弱,缺乏高被引用的作者和高發(fā)文量的作者,因此其在全球范圍內(nèi)的影響力有限。未來,加強(qiáng)國際交流和合作將是推動(dòng)中國在PCa影像組學(xué)領(lǐng)域發(fā)展的關(guān)鍵。

總的來說,隨著計(jì)算機(jī)技術(shù)的發(fā)展,人工智能將更多地應(yīng)用于PCa。未來,基于深度學(xué)習(xí)的影像組學(xué)列線圖用于PCa診斷和治療將成為研究熱點(diǎn),有望進(jìn)一步提高診斷準(zhǔn)確性和治療效果,為患者提供更加精準(zhǔn)的醫(yī)療服務(wù)。

利益相關(guān)聲明:所有作者聲明無利益沖突。

作者貢獻(xiàn)說明:王文昊參與研究設(shè)計(jì)、數(shù)據(jù)收集與分析、撰寫及修改論文;張?zhí)磔x、張桂豪指導(dǎo)研究設(shè)計(jì)、指導(dǎo)修改論文;謝周洲參與數(shù)據(jù)收集與分析;陳南輝指導(dǎo)選題、指導(dǎo)及修改論文。