肺癌是全球癌症相关死亡的主要原因，在癌症病例总数和癌症总死亡率中的占比均处于较高水平 ^[1-2]。作为威胁国民健康的重大公共卫生问题，肺癌不仅严重影响患者的生存质量，还给家庭和社会造成了沉重的医疗与经济负担 ^[3]。在肺癌的早期筛查、精准分型和个体化治疗中，影像学技术发挥着不可替代的作用。临床常规采用低剂量 CT（low-dose computed tomography, LDCT）作为肺癌筛查的首选方法，并通过正电子发射计算机断层扫描（positron emission tomography-computed tomography,PET-CT）、动态增强 MRI 等技术提高诊断准确性 ^[4]；但 LDCT 检查结果的准确性、普遍性及经济性仍制约其在肺癌筛查中的应用效果。近年来，随着多学科交叉算法的应用，肺癌影像学早期诊断和预测研究取得了系统性进展 ^[5-6]。基于此，本研究通过对中国知网（China National Knowledge Infrastructure,CNKI）数据库中肺癌影像学领域文献进行可视化分析，旨在揭示我国该领域的研究进展与趋势，为疾病诊疗与影像学发展提供数据支撑，现报道如下。

1 资料与方法

1.1 资料来源

检索 CNKI 数据库中肺癌影像相关中文文献，检索策略 ^[7] 如下。（1）资源范围：学术期刊（论著、综述、病例报道等）。（2）主题词检索：SU=“肺癌”OR“肺恶性肿瘤”AND SU=“影像”OR“影像学”。（3）检索时间：2000 年 1 月 1 日至 2025 年6 月 30 日。文献排除策略：（1）与主题不相关文献；（2）内容重复、内容不完整；（3）诊疗指南、专家共识、会议论文、Meta 分析等。最终纳入 1 155 篇文献 , 并以 Refworks 格式导出。

1.2 方法

CiteSpace 6.1.R6 软件分析参数 ^[8] 如下。（1）文献信息录入设置选择如下：Time Slicing 为“From2000 JAN To 2025 June”，Years Per Slice 为“1”，其余参数按照默认设置。（2）可视化图谱生成：分别选择“Institution”“Keywords”“CitedAuthor”后，点击“go”进行系统自动分析，通过“Visiblization”选项得到相应的可视化图谱，并进行美化等操作。（3）利用聚类算法 LSI 对肺癌影像学领域的关键词进行聚类，共得到 10 个聚类并以“#+ 数字”的方式进行连续编号。运算结果显示 Harmonic Mean（Q，S）= 0.8656，提示关键词聚类结果具有较好的可靠性。

2 结果

2.1 肺癌影像学领域的总体研究趋势

我国肺癌影像学领域的相关论文年发表数量统计显示，研究时间段内年发文数量总体呈逐年增长趋势，且 2016 年至 2018 年的发文量呈现迅速增长趋势，在 2018 年之后仍维持在较高水平，见图 1。

图 1 中国知网 2000 年 1 月 1 日至 2025 年 6 月 30 日我国肺癌影像学领域年发文量统计

2.2 肺癌领域的主要研究机构

可视化共现分析共得到 2 132 个节点、1 032 条连线，见图 2；根据节点大小对我国肺癌影像学领域发文量前 10 位的机构进行排序，见表 1。

图 2 中国知网 2000 年 1 月 1 日至 2025 年 6 月 30 日我国 LC 影像学领域主要研究机构可视化共现图谱

表 1 中国知网2000年1月1日至2025年6月30日我国肺癌影像学领域发文量排名前十的机构

2.3 热点关键词分布情况

2.3.1 关键词共现分析

关键词共现分析共得到个 370 节点、463 条连线，显示出关键词之间连线关联密切，见图 3。关键词频次较高的为肺癌、体层摄影术、X 线计算机、肺肿瘤、影像组学、非小细胞肺癌、诊断、周围型肺癌。中心性排名前 10 位的关键词及其频次见表 2。

图 3 中国知网 2000 年 1 月 1 日至 2025 年 6 月 30 日我国肺癌影像学领域关键词可视化共现图谱

表 2 中国知网 2000 年 1 月 1 日至 2025 年 6 月 30 日我国肺癌影像学领域中心性排名前十的关键词

2.3.2 关键词突现分析

经关键词突现分析，研究时间段内，我国肺癌影像学领域排名前 25 位的高突现关键词，见图 4。关键词突现呈现出阶段性的特点：2000 年至 2010 年，持续时间较长的突现词为 X 线计算机、误诊；2010 年至 2020 年，周围性小肺癌、肺结核、影像学表现持续时间较久且强度高；自 2020 年之后，同步出现多个高强度突现词，包括影像组学、非小细胞癌、人工智能、影像学特征、表皮生长因子受体、深度学习、免疫治疗与诊断效能。

图 4 中国知网 2000 年 1 月 1 日至 2025 年 6 月 30 日我国肺癌影像学领域关键词突现图谱

2.3.3 关键词聚类时间线分析

以时间跨度为对比，结果显示聚类 #0（非小细胞肺癌）、#5（体层摄影术）、#6（早期诊断）、#9（磁共振成像）、#2（肺炎型肺癌）跨度较大，是该领域内延续时间较长的关键研究方向；以当前时间段内为对比，#3（人工智能）、#4（非小细胞癌）、#5（体层摄影术）、#0（非小细胞肺癌）是我国肺癌影像学领域仍在持续研究的方向。见图 5。

图 5 中国知网 2000 年 1 月 1 日至 2025 年 6 月 30 日我国肺癌影像学领域关键词聚类时间线图谱

2.4 代表性研究论文

研究时间段内，我国肺癌影像学领域被引用次数排名前 10 位的代表性研究论文均为综述或临床研究论文，见表 3。

表 3 中国知网2000年1月1日至2025年6月30日我国肺癌影像学领域的排名前 10 代表性研究论文

3 讨论

3.1 我国肺癌影像学领域研究的基础特征分析

影像学检查是肺癌发现、诊断与预后评估过程中的必要辅助手段。对中国知网 2000 年 1 月 1 日至 2025 年 6 月 30 日我国肺癌影像学领域研究的相关论文统计显示，该领域发文量整体呈波动增长趋势，并于 2018 年出现显著增长，并在此之后仍保持较高水平。这与医学影像技术本身的进步，如高分辨率 CT、MRI、PET-CT 等设备的普及，以及大数据与人工智能技术的应用趋势相吻合 ^[9]。结合发文数量，对于发文机构的共现分析显示，肺癌影像学领域发文机构主要集中于具有优良医疗资源与先进医院配置并且作为高校附属医院的机构，如四川大学华西医院、山东省肿瘤医院、中国医学科学院北京协和医院等，此类机构能够获得较好的科研学术支撑。同时，肺癌发病率高但医疗与研究资源相对匮乏地区机构的相关报道较少，这也反映出我国医疗资源分布不均衡的现状。

此外，对发文机构的分析还表明，医疗资源丰富、实力雄厚的医院中影像学相关科室的分类更为精细，因此分析软件将其识别为不同单位，导致实际发文量与主要研究机构可视化共现图谱的结果不完全相符。本研究发现，各研究机构之间的联系较少，即便联系相对较多的合作机构之间也呈现出较强的地域性，反映出地方性合作相互促进的态势，而资源丰富地区的机构对资源薄弱地区机构的帮扶与合作仍不明显。

3.2 我国肺癌影像领域关键词突现及聚类时间线分析

2000 年至 2020 年我国肺癌影像领域关键 词突现呈现出阶段性的特点，该时期先后由 X 线计算机、误诊过渡至周围性小肺癌、肺结核、影像学表现。该阶段的突现强度变化显示了 X 线检查为早期肺癌发现与诊断的主要手段，但由于 X 线检查的诊断准确度欠缺，因此该时段内关键词“误诊”也具有较强突现。随着影像学检测技术的不断进步与优化，肺癌的研究也逐渐产生变化。2020 年起，影像组学、人工智能、影像学特征及深度学习等关键词集中突现，反映出大数据时代对影像学发展的巨大推动力。结合聚类时间线结果显示，非小细胞肺癌、体层摄影术、早期诊断及磁共振成像等关键词具有长期的研究积累。2020 年的多个突现词中，人工智能是我国肺癌影像学领域直至当前都具有代表性的研究热点。人工智能是计算机科学的一个重要分支，它融合了自然语言处理、图像识别、人机交互等核心技术，目前已对医疗实践的多个方面产生了深远影响^[10]。

成像方法对肺癌筛查的敏感性与准确率至关重要，人工智能等计算机辅助诊断工具的应用优势也在该方面有较多体现。如人工智能具有的高级图像分析功能已覆盖包括胸部 CT 筛查在内的多个医学成像方法。一项近期的研究显示，人工智能辅助胸片检查与低剂量 CT 成像联合应用在提升早期肺癌筛查能力方面具有巨大潜力 ^[11]，并且能够提高放射学读数的可重复性，降低低剂量 CT 的假阴性率 ^[12]。以人工智能为代表的影像组学、深度学习等新兴工具的应用也是精准医疗、主动健康等医学模式的必然要求。此类工具的应用，有望识别出虽不符合常规筛查标准但实际风险较高的个体，从而有助于优化早期检测策略，并最大限度减少潜在危害 ^[13]。另有研究显示，深度学习技术可在低剂量胸部 CT 图像中提供优于主流红外方法的图像质量，并可降低辐射剂量，同时确保常规放射学工作中临床诊断图像的质量 ^[14]。但人工智能的优势与其开发的复杂性呈正相关，因此其应用仍面临诸多挑战。例如，在多学科背景下，人工智能工具如何适用于临床对于 CT 筛查精确、可重复及经济等多样化需求 ^[15]，将是当前至未来一段时间内需要解决的问题。

我国肺癌影像学领域高被引论文出现时间也与影像学技术的发展时间特征相吻合。在发文量骤增的 2018 年，出现 3 篇高被引论文，其关键词包括深度学习、计算机辅助，文章类型以综述居多，也体现出该时期对于计算机辅助领域的融合交叉已具有一定积累。2018 年后，我国肺癌影像学领域同时出现多个突现词，但暂无高被引论文出现，也体现了当前研究方向的多样化、多元化。此外，我国肺癌影像学领域的排名较前的文章多数发表于计算机学科类杂志，包括《软件学报》《中国医学计算机成像杂志》《计算机科学》等，也体现了肺癌影像学领域发展与技术革新的一体性特征。

3.3 研究局限性

本研究纳入的 1 155 篇文献均源于 CNKI 数据库，未纳入 Web of Science 等数据库来源的相关英文文献，因此文献数据对于我国肺癌影像学领域的相关研究的映射存在一定的局限性。

4 总结与展望

本研究基于文献可视化分析模式对我国2000 年至 2025 年 6 月底肺癌影像学领域的研究进展及趋势进行了分析，结果显示了人工智能、影像组学、深度学习等多学科交叉对于肺癌影像学的关键性影响，也提示该过程中需要影像学科临床与计算机技术开发人员紧密协作、形成区域互补性合作网络，以不断促进我国肺癌影像学研究的发展。

【参考文献】

［1］MARSHALL H M, FONG K M. Lung cancer screening-Time for an update? [J]. Lung Cancer, 2024, 196: 107956.

［2］SUNG H, FERLAY J, SIEGEL R L, et al. Global cancer statistics 2020: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries[J]. CA Cancer J Clin, 2021,71(3): 209-249.

［3］CHEN S, CAO Z, PRETTNER K, et al. Estimates and projections of the global economic cost of 29 cancers in 204 countries and territories from 2020 to 2050[J]. JAMA Oncol, 2023, 9(4): 465-472.

［4］ZHONG D, SIDORENKOV G, JACOBS C，et al. Lung nodule management in low-dose ct screening for lung cancer: Lessons from the NELSON trial[J]. Radiology, 2024, 313(1): e240535.

［5］HUANG S, YANG J, SHEN N, et al. Ar tificial intelligence in lung cancer diagnosis and prognosis: Current application and future perspective[J]. Semin Cancer Biol, 2023, 89: 30-37.

［6］LI Y, WU X, YANG P, et al. Machine learning for lung cancer diagnosis, treatment, and prognosis[J]. Genomics Proteomics Bioinformatics, 2022, 20(5): 850-866.

［7］刘青山，卿勇，陈志远，等 . 基于 CiteSpace 软件分析国内肝癌影像学的研究热点与趋势 [J]. 医疗装备，2025，38（4）：10-13，18.

［8］邓丽娜，钟鑫勤，王倩怡，等 . 基于 CiteSpace 软件可视化分析：国内外心肌纤维化在心血管领域的文献计量学研究 [J]. 中国循证心血管医学杂志，2021，13（8）：907-914.

［9］KRARUP MMK, KROKOS G, SUBESINGHE M, et al. Artificial intelligence for the characterization of pulmonary nodules, lung tumors and mediastinal nodes on PET/CT[J]. Semin Nucl Med, 2021, 51(2): 143-156.

［10］PEI Q, LUO Y, CHEN Y, et al. Artificial intelligence in clinical applications for lung cancer: Diagnosis, treatment and prognosis[J]. Clin Chem Lab Med, 2022, 60(12): 1974-1983.

［11］SACHITHANANDAN A, LOCKMAN H, AZMAN R R, et al. The potential role of artificial intelligence-assisted chest X-ray imaging in detecting early-stage lung cancer in the community-a proposed algorithm for lung cancer screening in Malaysia[J]. Med J Malaysia, 2024, 79(1): 9-14.

［12］DE LUCA GR, DICIOTTI S, MASCALCHI M. The pivotal role of baseline ldct for lung cancer screening in the era of artificial intelligence[J]. Arch Bronconeumol, 2025, 61(6): 359-367.

［13］CHEN H H, WU Y J, WU F Z. Precision medicine in lung cancer screening: A paradigm shift in early

detection-precision screening for lung cancer[J]. Diagnostics (Basel), 2025, 15(12): 1562.

［14］ZHANG Z, LIU C, ZHOU S, et al. Comparative evaluation of deep learning-based and conventional reconstruction techniques for image quality enhancement in low-dose chest computed tomography[J]. J Thorac Dis, 2025,17(5): 3249-3258.

［15］MULSHINE J L, AVILA R S, SILVA M, et al. AI integrations with lung cancer screening: Considerations in developing AI in a public health setting[J]. Eur J Cancer, 2025, 220: 115345.

内容来源于《医疗装备》杂志，如需转载请注明出处。