基于CiteSpace探討人工智能在中醫(yī)藥領域的研究熱點及趨勢*

張君冬，楊 碩

（中國中醫(yī)科學院中醫(yī)藥信息研究所，北京 100700）

中醫(yī)藥學包含著中華民族幾千年的健康養(yǎng)生理念及其實踐經(jīng)驗，是中華文化的瑰寶，隨著2019年全國中醫(yī)藥大會的召開，中醫(yī)藥發(fā)展迎來了大好時機。人工智能是使計算機來模擬人的某些思維過程和智能行為，多學科交叉融合的新興學科。近年來，關于人工智能在中醫(yī)藥方面的文獻逐漸增多，如何將人工智能技術與中醫(yī)藥相結(jié)合成為了國內(nèi)外諸多學者研究的話題。CiteSpace軟件是由陳超美研發(fā)的一款主要用于計量和分析科學文獻數(shù)據(jù)的可視化軟件，通過繪制可視化圖譜的形式直觀而又生動的幫助用戶把握某一科學領域的前沿方向及熱點問題[1]，目前已廣泛使用在國內(nèi)外各個學科領域。因此，本研究運用CiteSpace軟件對人工智能在中醫(yī)藥學領域的相關文獻進行分析，供研究者了解當前的研究熱點及前沿方向，為今后的研究提供參考及借鑒。

1 資料與方法

1.1 數(shù)據(jù)收集及轉(zhuǎn)化本研究以中國知網(wǎng)（CNKI）和Web of Science（WoS）為數(shù)據(jù)來源，參照人工智能在中醫(yī)藥領域已發(fā)表文獻[2-4]制定檢索詞，檢索途徑為主題，時間范圍2005年1月至2019年12月。中文數(shù)據(jù)庫以“（中醫(yī)or中藥or中醫(yī)藥）and（人工智能or深度學習or機器學習or語義網(wǎng)絡or神經(jīng)網(wǎng)絡or知識庫）”為檢索詞，英文數(shù)據(jù)庫以“（traditional Chinese medicine)and(artificial intelligence or deep Learning ormachine learning or semantic network orneural network or knowledge base）”為檢索詞。排除咨詢、會議、報紙、年鑒類型的文獻，重復文獻，文章內(nèi)容及作者信息不全，以及與研究主題無關的文獻,共納入中文文獻691篇，英文文獻168篇。

中文文獻以CNKI中Refworks的格式導出，英文文獻以Web of Science中“其他”格式導出，導出的文件命名為CiteSpace軟件可以識別的download_***.txt格式，導入的數(shù)據(jù)信息應該包括題名、機構、作者、摘要、關鍵詞等信息，之后在CiteSpace界面進行數(shù)據(jù)轉(zhuǎn)換，得到CiteSpace可以運行的txt格式文本文件。

1.2 軟件設置將轉(zhuǎn)換后的數(shù)據(jù)導入CiteSpace5.6.R1版本，時間跨度為2005—2019年，每1年為1個時間切片，Links中Strength設置為Cosine,Scope設置為Within Slices，其余設置均為默認設置，分別選取作者、機構、關鍵詞生成各自的可視化分析圖譜并適當調(diào)整閾值使其清晰直觀。生成的圖譜中節(jié)點連線的粗細程度與共現(xiàn)程度成正比，節(jié)點的大小與出現(xiàn)的頻數(shù)成正比，節(jié)點的圓圈層代表年輪，顏色從冷色調(diào)藍色向暖色調(diào)紅色變化，表示時間由遠及近[5]。一般認為，聚類模塊值（Modularity Q）＞0.3聚類是顯著的，聚類平均輪廓值（Mean Silhouette）＞0.5聚類是合理的，聚類平均輪廓值（S）＞0.7聚類是令人信服的[6]。

2 結(jié) 果

2.1 文獻分布將所納入的中英文文獻根據(jù)年度發(fā)文量繪制折線統(tǒng)計圖，如圖1所示。中文文獻2005—2008年增長迅速，2009—2014年年度發(fā)文量一直在35～50范圍內(nèi)波動，英文文獻發(fā)文量2015年之前處于低谷期，2015—2019年中英文文獻數(shù)量均開始逐年遞增，2018—2019年中英文文獻數(shù)量較上一年相比大幅度增加，預計2020年文獻數(shù)量依舊呈增長趨勢。

圖1 2005—2019年中英文文獻發(fā)文量統(tǒng)計圖

2.2 作者共現(xiàn)分析作者共現(xiàn)分析可從宏觀上把握該學科領域核心作者發(fā)文數(shù)量及團隊合作情況（見圖2～3、表1）。中文文獻方面，發(fā)文量較多的作者是于彤、李敬華、朱玲、于琦、田建輝、孫燕等，但各類高產(chǎn)學者的中心性較差，基本低于0.1，表明該研究領域?qū)W者缺乏較強的影響力，主要形成了兩大核心研究團隊，團隊1：于彤、李敬華、朱玲、于琦、楊碩、高宏杰等，研究領域主要集中于中醫(yī)臨床輔助決策支持系統(tǒng)、本體、中醫(yī)養(yǎng)生服務平臺、嵌入式臨床智能決策支持系統(tǒng)與中醫(yī)臨床知識服務平臺；團隊2：田建輝、楊美清、阮春陽、張彥春、于觀貞等，研究領域主要集中在中醫(yī)處方系統(tǒng)構建、人工智能在中醫(yī)藥領域方面的思考及論述方面。與中文相比，英文文獻發(fā)文量均普遍較少，發(fā)文量最多的是WU Z H，其所在團隊為人工智能在中醫(yī)藥領域研究的英文核心團隊，研究領域主要圍繞尋找最佳中藥配方、先導化合物、隨機森林等方面。作者突現(xiàn)僅顯示4位中文作者，分別為于彤、李敬華、朱玲、楊碩，且突現(xiàn)時間段均集中在2013—2017年，這與學者所屬同一團隊存在一定關系，突現(xiàn)強度最高的是于彤（4.855 4），突現(xiàn)強度越大，表明該作者在這段時期內(nèi)的發(fā)文量變化越大，由于軟件存在一定局限性，無法對文章具體內(nèi)容進行分析，結(jié)合人工閱讀及信息整合可以發(fā)現(xiàn)，2013—2017年于彤所在團隊共發(fā)表論文6篇[7-12]，內(nèi)容創(chuàng)新程度高，一定程度上反映了該時期的研究熱點。

表1 中英文作者發(fā)文量（前6位）

圖2 中文作者共現(xiàn)圖譜

圖3 英文作者共現(xiàn)圖譜

2.3 機構合作分析中文文獻、英文文獻發(fā)文量排名前3位機構均為中國中醫(yī)科學院、北京中醫(yī)藥大學、上海中醫(yī)藥大學。從地區(qū)分布情況來看，東西部地區(qū)分布不均衡，科研單位主要集中在北京、上海等地區(qū)，科研機構內(nèi)部聯(lián)系密切，機構之間的合作較少，主要集中在各個地區(qū)的中醫(yī)藥大學和中醫(yī)藥科研單位。（見圖4~5）

圖4 中文合作機構共現(xiàn)圖譜

圖5 英文合作機構共現(xiàn)圖譜

2.4 關鍵詞分析

2.4.1 中文關鍵詞 本研究分別將“中醫(yī)”“中國傳統(tǒng)醫(yī)學”“中醫(yī)學”“中醫(yī)診斷”“中醫(yī)診療”“人工智能”“人工智能技術”“中醫(yī)復方”“中醫(yī)方劑”等同義詞進行合并后，選擇節(jié)點類型“Keyword”，時間范圍為2005—2019年，其他參數(shù)默認不變，運行后得到由110個節(jié)點和107條邊組成的網(wǎng)絡密度為0.017 8的中文關鍵詞共現(xiàn)圖譜。（見圖6）

圖6 中文關鍵詞共現(xiàn)圖譜

中文關鍵詞中出現(xiàn)頻數(shù)最大的是“人工智能”（111），其次是中醫(yī)藥（102）、數(shù)據(jù)挖掘（29）、中醫(yī)診斷（24）、專家系統(tǒng)（18）、機器學習（17）、語義網(wǎng)絡（14），結(jié)合中文文獻中出現(xiàn)的主要突現(xiàn)關鍵詞可以發(fā)現(xiàn)，2014—2016年的“語義網(wǎng)絡”突現(xiàn)值最高，為該段時期人工智能在中醫(yī)藥領域的研究熱點。（見圖7、表2）

表2 高頻關鍵詞（前10位）

圖7 中文文獻主要突現(xiàn)關鍵詞

在關鍵詞共現(xiàn)網(wǎng)絡的基礎上，進行聚類分析（見圖8），聚類模塊值（Q）=0.684 3＞0.3，聚類平均輪廓值（S）=0.756 4＞0.7，表明該聚類結(jié)果是準確且令人信服的。聚類的大小與聚類編號成反比，主要劃分為七大類，分別為中醫(yī)按摩機器人（#0）、專家系統(tǒng)（#1）、健康監(jiān)測（#2）、語義網(wǎng)絡（#3）、人工智能（#4）、adams（#5）、深度學習（#6）。第一類別（#0）主要包含中醫(yī)藥事業(yè)、按摩手法、建模仿真、中醫(yī)經(jīng)典、關聯(lián)規(guī)則、專家控制系統(tǒng)等關鍵詞；第二類別（#1）主要包含圖像處理與模式識別、遺傳算法、圖形圖像、移動互聯(lián)網(wǎng)、遠程診療系統(tǒng)、全息診斷、激光診斷等關鍵詞；第三類別（#2）主要包含設計要素、輔助診療、中醫(yī)人工智能模型、智能系統(tǒng)、診療工具、癥狀特征等關鍵詞；第四類別（#3）主要包含中醫(yī)藥學語言系統(tǒng)、技術規(guī)范、中醫(yī)臨床術語集、術語系統(tǒng)、頂層本體、架構研究、知識圖譜等關鍵詞；第五類別（#4）主要包含中醫(yī)健康管理、系統(tǒng)科學、健康狀態(tài)、互聯(lián)網(wǎng)+技術、中醫(yī)輔助診療系統(tǒng)等關鍵詞；第六類別（#5）主要包含中醫(yī)推拿、新型混合機器人、機器人手臂、動力學建模、遺傳算法、控制模型等關鍵詞；第七類別（#6）主要包含治療方案、強化學習、注意力機制、關系抽取、iso-r辨證模型、語義分析、語義分類等關鍵詞。

圖8 中文關鍵詞聚類分析圖（Q=0.684 3，S=0.756 4）

時間線視圖可以彌補關鍵詞共現(xiàn)圖譜和聚類圖譜無法呈現(xiàn)人工智能在中醫(yī)藥領域各個聚類發(fā)展的時間跨度和研究進度的缺點[13]，語義網(wǎng)絡、機器學習、人工神經(jīng)網(wǎng)絡、支持向量機、知識工程首次出現(xiàn)在2006—2008年，橫跨中醫(yī)藥各個智能領域，且關鍵詞中心性均大于0.1，是各個領域連接的樞紐，可以預測今后將是人工智能在中醫(yī)藥領域的研究熱點。（見圖9）

圖9 中文關鍵詞聚類時間線視圖

2.4.2 英文關鍵詞 將“traditional Chinese medicine”“Chinese medicine”“traditional medicine”等同義詞進行合并生成由48個節(jié)點74條邊組成的網(wǎng)絡密度為0.068 3的英文關鍵詞共現(xiàn)圖譜（見圖10、表2）。關鍵詞出現(xiàn)頻數(shù)最高的是traditional Chinese medicine（60），其次是deep learning（9）、classification（7）、diagnosis（7）、prediction（6）、identification（6）等，結(jié)合英文文獻中出現(xiàn)的主要突現(xiàn)關鍵詞（見圖11），可以發(fā)現(xiàn)，2005—2011年的“traditional Chinese medicine”突現(xiàn)強度最高，為該時期人工智能在中醫(yī)藥領域的研究熱點。

圖10 英文關鍵詞共現(xiàn)圖譜

圖11 英文文獻主要突現(xiàn)關鍵詞

對英文關鍵詞進行聚類后發(fā)現(xiàn)Q值=0.231，無法自動生成穩(wěn)定的聚類群，因此筆者結(jié)合關鍵詞及梳理歸納2005—2019年人工智能在中醫(yī)藥領域已發(fā)表的英文文獻內(nèi)容，認為可以歸納為兩類。第一類：圍繞利用各類算法進行中醫(yī)智能診斷預測疾病進程；第二類：圍繞神經(jīng)網(wǎng)絡、機器學習進行各類中藥智能識別及分類。

結(jié)合關鍵詞時區(qū)圖可清楚觀測該學科領域前沿關鍵詞的出現(xiàn)時間及其關系。2005—2011年，人工智能在中醫(yī)藥領域的發(fā)展處于低谷期，關鍵詞較少，主要圍繞identification（識別）等研究。2012—2019年，人工智能在中醫(yī)藥領域新興關鍵詞層出不窮，classification（分類）、diagnosis（診斷）首次出現(xiàn)于2012年和2014年，持續(xù)到2019年；deep learning（深度學習）、machine learning（機器學習）、prediction（預測）首次出現(xiàn)于2018年，其中心性和頻數(shù)短短兩年已名列前茅且中心性均大于0.1，預測此類關鍵詞仍是2020年人工智能在中醫(yī)藥領域的研究熱點。與前一階段相比，此階段更注重人工智能方法的研究，在中醫(yī)藥領域的研究內(nèi)容也更加具體。（見圖12）

圖12 英文關鍵詞時區(qū)圖

2.5 共被引分析文獻共被引分析可以通過分析中心性及被引頻次找出某一特定領域內(nèi)的具有重要程度及影響力的文章，由于CiteSpace無法對知網(wǎng)中文獻進行文獻共被引分析，因此本研究僅對英文文獻進行文獻共被引分析。被引頻次及中心性排名前3位的分別是FENG Y等于2006年發(fā)表的"Knowledge discovery in traditional Chinese medicine:State of the art and perspectives"[14]、YAO L等于2015年發(fā)表的"Discovering treatment pattern in traditional Chinese medicine clinical cases by exploiting supervised topic model and domain knowledge"[15]及JIANG M等于2012年發(fā)表的"Syndrome differentiation in modern research of traditional Chinese medicine"[16]。（見圖13、表3）

圖13 英文文獻共被引圖譜

表3 排名前5的高被引文獻

3 討 論

本研究使用CiteSpace 5.6.R1對2005—2019年人工智能在中醫(yī)藥領域發(fā)表的相關文獻進行統(tǒng)計分析，共納入中文文獻691篇，英文文獻168篇，2015年之后中英文文獻數(shù)量開始逐年遞增，2018—2019年增長迅速。筆者認為出現(xiàn)這一情況，一方面是由于中醫(yī)藥越來越受到國內(nèi)外認可，新興研究學者增多，另一方面是由于人工智能技術在中醫(yī)藥領域研究日益成熟。

作者合作方面，中、英文文獻團隊數(shù)量均較少，節(jié)點連線顏色暖色調(diào)偏多，提示科研作者以近年來新興團隊為主，影響力普遍偏低，團隊內(nèi)部學者之間聯(lián)系密切，團隊之間聯(lián)系較為分散。

機構合作方面，中國中醫(yī)科學院、北京中醫(yī)藥大學、上海中醫(yī)藥大學中英文文獻發(fā)文量均排名前3。3所院校均設置了中醫(yī)信息方面的專業(yè)，如中國中醫(yī)科學院的中醫(yī)信息學專業(yè)、北京中醫(yī)藥大學的信息管理與信息系統(tǒng)專業(yè)、上海中醫(yī)藥大學的計算機專業(yè)，由此可見，3所院校普遍重視中醫(yī)信息人才的培養(yǎng)。機構合作模式較單一，主要表現(xiàn)在機構單位內(nèi)部與二級院所、附屬醫(yī)院合作，不同機構間合作較少，各研究團隊及研究機構應當打破研究壁壘，加強與數(shù)學、計算機等研究領域資深專家合作，實現(xiàn)多學科融合發(fā)展?？蒲辛α康貐^(qū)分布不均衡，主要集中在北京、上海等東部經(jīng)濟發(fā)達地區(qū)，應加大西部地區(qū)科研資金力量投入，加大西部人才引進，縮小東西部科研力量差距。此外，機構和作者的發(fā)文量緊密聯(lián)系，如中國中醫(yī)科學院于彤、李敬華團隊所在成員發(fā)文量普遍較高。

關鍵詞方面，人工智能在中醫(yī)藥領域的研究方法主要是數(shù)據(jù)挖掘、機器學習、深度學習、神經(jīng)網(wǎng)絡及遺傳算法，應用領域主要是中醫(yī)智能診斷及預測各類疾病進程、中藥智能識別分類、中醫(yī)健康養(yǎng)生，研究成果主要是中醫(yī)養(yǎng)身保健的智能化設備、中醫(yī)人工智能系統(tǒng)、中醫(yī)知識庫、中醫(yī)藥學語言系統(tǒng)等。關鍵詞聚類方面，共聚為七大類，研究發(fā)現(xiàn)該軟件自動提取歸納的聚類名稱來源于圖譜中現(xiàn)有的關鍵詞，部分關鍵詞無法概括每一類別的所有信息，因此筆者在歸納總結(jié)的基礎上，認為#0、#5圍繞通過建模、仿真、控制建設各類中醫(yī)養(yǎng)身保健的智能化設備，#1、#2、#4圍繞通過圖像處理與模式識別、遺傳算法等技術構建各類中醫(yī)人工智能系統(tǒng)實現(xiàn)遠程診療、健康管理的目的，#3、#6圍繞通過語義網(wǎng)絡、本體、知識圖譜等方法實現(xiàn)各類中醫(yī)知識庫、中醫(yī)藥學語言系統(tǒng)的構建，提高各類知識庫的查全率和查準率。

從英文文獻的影響力和被引用頻次來看，被引頻次及中心性最高的文章是FENG Y等于2006年發(fā)表在Artificial Intelligence in Medicine上的Knowledge discovery in traditional Chinese medicine:State of the art and perspectives，該文章提出人工智能在中醫(yī)藥領域4個應用方面分別為中藥方劑研究、中草藥研究、中醫(yī)證候研究和中醫(yī)臨床診斷研究，此后諸多學者圍繞這4個方面研究的具體過程進行不懈探索，然而由于國內(nèi)人工智能技術尚未達到完全成熟階段及同時具備中醫(yī)藥及人工智能專業(yè)知識的復合型人才更是稀缺，整體來看，高被引及高中心性論文較少，隨著國家對人工智能技術及中醫(yī)藥人才的重視程度越來越高，人工智能在中醫(yī)藥領域發(fā)表文獻質(zhì)量和數(shù)量在未來仍然有很大的提升空間。

本研究結(jié)果與趙宇平等[17]、羅悅等[18]、楊蘊等[19]研究對比發(fā)現(xiàn)，研究熱點尚未涉及中醫(yī)診療指南構建、新藥研發(fā)、疾病歸經(jīng)，出現(xiàn)如此差異的原因主要在于該軟件是通過統(tǒng)計文章作者、機構、關鍵詞信息的形式從宏觀的角度把握人工智能在中醫(yī)藥領域的熱點及前沿，無法對每篇文章具體內(nèi)容進行詳細分析，這與傳統(tǒng)綜述的寫作形式存在較大差別。此外，每篇文章的關鍵詞數(shù)量有限且部分文章未設有關鍵詞，以及關鍵詞能否反映文章全部內(nèi)容仍有待進一步研究。