影像組學在前列腺癌中的研究熱點和趨勢的可視化分析

王文昊, 張添輝, 謝周洲, 張桂豪, 陳南輝

1廣東醫科大學第一臨床醫學院(廣東湛江 524023); 梅州市人民醫院 2磁共振二科, 4泌尿外二科(廣東梅州 514031); 3汕頭大學醫學院梅州臨床學院(廣東梅州 514031); 5廣東醫科大學梅州臨床醫學院(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的發病率呈持續增長趨勢,嚴重危害我國男性健康[2]。PCa起病隱匿,大部分患者首發即為中晚期,這使得很多患者錯過最佳的治療時機。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],因此實現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,影像組學可將傳統影像學圖像轉換為醫學數據,反映腫瘤內部異質性,其可以彌補常規檢查方法的不足,實現對疾病的診斷和療效評估[5]。近年來,隨著計算機技術的不斷發展,研究者在PCa影像組學方面的研究不斷深入[6-8],相關文獻量迅速攀升,但缺少對該領域當前研究趨勢和研究熱點的相關研究。文獻計量學是一種對文獻資料進行定量分析的研究方法。它通過統計學方法分析文獻相關資料,了解研究質量,探索當前研究熱點和發展趨勢,預測未來研究方向[9-11]。本研究利用Citespace、VOSviewer和R語言對PCa影像組學相關文獻進行可視化分析,總結影像組學在PCa中的應用和發展情況,揭示影像組學在PCa當前發展趨勢,探索該領域研究熱點,為PCa影像組學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)核心合集數據庫中1980年至2023年7月17日發表的與PCa影像組學相關的所有文獻,檢索詞為TS=(“radiomics”or “radiogenomics” or “texture analysis”) and ts=((“prostate” or “prostatic”) near/1(“cancer” or “tumor”))。

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

圖1 文獻檢索策略圖

1.3 數據分析 將在WOS上檢索出來的結果,導出為“完整記錄和引用的參考文獻”的純文本文件,里面包括出版年份、文獻類型、作者、隸屬關系、出版物標題、出版商、研究領域和國家/地區等屬性。利用WOS數據庫的“引文報告創建”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,將數據文件導入到Biblioshiny中。

1.3.1 合作網絡分析 使用VOSviewer 1.6.19[12-13]檢測不同國家/地區或機構之間的合作模式,揭示相互之間的合作關系

1.3.2 共被引分析 使用VOSviewer 1.6.19對期刊、作者和文章進行共被引分析,以評估相互之間的關系強度。以總鏈接強度(total link strength,TLS)來衡量與其他國家/地區或機構的聯系緊密程度,其數值越大表明相互之間的合作越緊密。將共同引用次數不少于50次的97種期刊納入分析對象。節點越大,期刊的重要性越高;節點之間的連線越粗,兩種期刊的研究內容相似度越高。被引次數會受到發表時間的影響,本研究還增加年平均被引數(TC per year)以綜合評估。

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

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、文章主體和關鍵詞進行聚類分析。以Q值衡量網絡聚類效果,Q值>0.3時表示聚類效果好,S值是測量網絡同質性的指標,S值越接近1,其網絡同質性越好[16-17]。

2 結果

2.1 檢索結果 根據搜索式搜索初步獲取文獻607篇。排除非英語文獻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“相關領域的發表和被引趨勢”,近5年來,PCa影像組學相關領域的研究呈爆發式增長,發文量(370篇)和總被引次數(5 584)分別占全年的71.3%和34.3%(圖2)。

圖2 1996—2023年總發文量及被引頻次

2.2 國家/地區、機構分布及合作網絡視圖 1980—2023年,共有52個國家/地區為PCa影像組學相關研究作出了貢獻,在國家/地區中,來自美國的作者在該領域最活躍,發文160篇,其次是中國(n=119)和意大利(n=80)。而在發文量前10的研究機構中,Icahn School of Medicine at Mount Sinai的貢獻最為突出(n=27),其次是The University of Manchester(n=21)和University of Cambridge(n=20),見表1。有27個國家在相關領域發表了5篇以上論文,美國占據了中心位置(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。在機構合作方面,Icahn School of Medicine at Mount Sinai(TSL=134)在該領域具有重要地位,其次是The University of Manchester(TSL=121)和University of Cambridge(TSL=111),見圖4。

表1 發文量前10的國家/地區及機構

圖3 國家/地區間的合著化分析圖譜

圖4 機構間的合著化分析圖譜

2.3 期刊分析 PCa影像組學研究共被發表在168種期刊。報道最多和被引用次數最多的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個期刊,占所有文章的18%。被引用次數最多的期刊是《European radiology》(n=1 256)、其次是《Journal of magnetic resonance》(n=877)和《Cancers》(n=398)。根據2022年期刊引文報告,發文量前10的期刊中,位于Q1、Q2的期刊各有4本;被引用次數前10的期刊中,有4本期刊為Q1,5本期刊為Q2?！禦adiology》在該領域尤為重要,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年開始了這一領域的研究,而Rosenstein教授自2007年就開始了這一領域的研究,并持續保持大量的產出。此外,大多數作者在2014年開始發表與該領域相關的文章。近年來,Tian教授開始在PCa影像組學研究領域嶄露頭角,發文量前10的作者隨著時間推移在該領域的影響力見圖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。在機構合作方面,Rosenstein 教授和Kems教授與Icahn School of Medicine at Mount Sinai合作最緊密。國家、作者和隸屬機構的關系見圖7。

表2 發文量及被引用次數前10的期刊

圖5 Z期刊間的共引分析圖譜

表3 發文量、總被引次數及總鏈接強度前10的作者

圖6 發文量前10的作者隨時間推移在該領域的發文量

圖7 國家、作者和隸屬機構之間關系的?；鶊D

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

表4 被引用次數前10的文獻

圖8 文獻共被引分析圖譜

圖9 文獻共被引聚類分析圖譜

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

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

表5 出現頻率最高及總鏈接強度最大的5個關鍵詞

圖10 關鍵詞共現分析的時間疊加可視化

3 討論

PCa是泌尿系統最常見的腫瘤之一,其發病率逐年攀升。PCa篩查主要依靠PSA水平的檢測,但其診斷的準確率存在局限性。為了更深入地了解這一問題,文獻計量分析以文獻體系和文獻計量特征為研究對象,利用定量研究方法分析某一領域的文獻分布、關系、變化和進展,從而為該領域的研究者當前研究熱點及發展趨勢[28-29]。本研究顯示,自2015年以來PCa影像組學相關研究呈現快速增長,特別是近5年來,該領域的研究呈爆發式增長,發文量和被引頻次均占所有相關研究的50%以上,這一數據反映出科學界對PCa影像組學研究的日益關注以及這一領域在診斷和治療PCa方面潛在的重大價值。

被引分析是評估學術論文或作者相關性的一個常用工具[30],并且經常用作衡量作者學術影響力的指標[12,31]。例如,Lammbin教授的論文共同被引用次數最多,與其他作者之間的聯系最緊密,特別是其發表的“Radiomics:extracting more information from medical images using advanced feature analysis”系統地總結了影像組學的工作流程,為研究者提供了規范化的研究方法。此外,Gills等[18]發表在《Radiology》上的“Radiomics:images are more than pictures,they are data”一文的文獻共被引分析節點最大,該文從影像組學的研究步驟、影像組學操作實例以及現有挑戰等進行了詳盡的闡述,是眾多PCa影像組學研究者參考的核心文獻。以上兩位作者都為該領域作出了突出的貢獻。通過對被引文獻進行聚類分析,該領域被引較多的文獻主題為PI-RADS、mpMRI、PET,這表明,既往該領域在PCa影像組學的研究中多關注MRI影像組學與PI-RADS評分在PCa中的研究[33-35]。對關鍵詞進行共現分析,該領域的主要關鍵詞為Radiomics、prostate cancer、MRI、texture analysis。進一步將時間賦予關鍵詞顯示,近年來該領域的熱點為artificial intelligence、deep learning、nomogram、clinically significant。

目前,越來越多的研究集中于將人工智能、深度學習、列線圖和臨床變量運用于PCa影像組學的研究。在PCa的診斷方面,Li等[36]基于深度學習開發了一種影像組學模型用于區分前列腺良惡性,取得了良好的預測效能(AUC=0.985),并將其轉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模型后,模型診斷PCa的特異度從0.781提高至0.827,準確度從0.8提高至0.86。Zhang等[38]將年齡、PI-RADS評分和影像組學特征相結合,構建新型列線圖模型用以預測PCa,結果表明該模型可以提高PSA灰區診斷準確率,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模型診斷淋巴結轉移的AUC從0.843提高至0.915。Makowski等[40]將圖像增強技術運用于影像組學診斷PCa Gleason評分中,結果顯示,圖像增強技術能使支持向量機模型的準確率提升48%。因此,影像組學和人工智能、深度學習、臨床因素、列線圖相結合比傳統影像組學診斷PCa的診斷效能更好,而且為臨床醫生提供了更加準確的診斷決策工具,進而為患者提供更精確的個性化治療方案。

在PCa的療效預測方面,相關研究顯示融合先進技術的影像組學模型在疾病進展方面優于傳統方法。Sushentsev等[41]基于循環神經網絡構建的時間序列影像組學模型與PSA密度相結合(AUC=0.86)在預測疾病進展方面明顯優于傳統的Delta影像組學和PSA密度結合的模型(AUC=0.75)。此外,時間序列影像組學模型的診斷性能(AUC=0.86)與影像醫生使用PRECISE評分系統連續分析MRI的診斷性(AUC=0.84)相當。Zhong等[42]在影像組學中應用了自動化工作流程來識別MRI圖像中的客觀特征,在預測生化復發方面,影像組學模型(AUC=0.99)展現出了優秀的預測能力,同時,該模型對非生化復發的預測準確率高達86.1%。此外,深度學習在病變自動分割方面也展現出了較好的效果。Bleker等[43]開發的基于深度學習掩碼的自動分割方法(AUC=0.76)比專家手工分割方法(AUC=0.67)具有更高的準確率和更少的時間,平均可節省97%的時間。因此,在影像組學中運用人工智能、深度學習的方法比傳統影像組學方法預測能力更強,效率更高,可以節省更多的醫療資源。這些技術的集成對于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數據庫進行文獻檢索,沒有在PubMed或Scopus等數據庫進行檢索,可能會遺漏部分相關文獻。此外,我們檢索的語言是英語,論文篩選標準存在一定的主觀性和差異性。這意味著非英文文獻和那些未被廣泛引用或僅有自我引用的文獻被排除在外,可能影響了研究的全面性。最后,文獻檢索時間點是2023年7月17日。但由于2023年尚未結束,因此2023年的數據并不完整。盡管有這些局限性,研究結果仍顯示PCa影像組學領域的快速發展,特別是美國在該領域的領先地位。相比之下,中國雖然在發文量上表現出色,但在國際交流方面較為薄弱,缺乏高被引用的作者和高發文量的作者,因此其在全球范圍內的影響力有限。未來,加強國際交流和合作將是推動中國在PCa影像組學領域發展的關鍵。

總的來說,隨著計算機技術的發展,人工智能將更多地應用于PCa。未來,基于深度學習的影像組學列線圖用于PCa診斷和治療將成為研究熱點,有望進一步提高診斷準確性和治療效果,為患者提供更加精準的醫療服務。

利益相關聲明:所有作者聲明無利益沖突。

作者貢獻說明:王文昊參與研究設計、數據收集與分析、撰寫及修改論文;張添輝、張桂豪指導研究設計、指導修改論文;謝周洲參與數據收集與分析;陳南輝指導選題、指導及修改論文。