Artificial Intelligence in Tuberculosis Imaging: A Global Bibliometric Analysis of Research Trends and Collaborations.
分析 556 篇結核病 AI 影像文獻顯示，CXR 穩居大規模篩檢主力，年複合增長率達 21.2%。
- 研究涵蓋 2000-2024 年共 556 篇文獻，年複合增長率高達 21.2%。
- CXR 因具備 ALARA 原則下的低劑量與普及度，維持 AI 訓練主力地位。
- 技術演進從基礎 CAD 轉向具備跨廠牌泛化能力的臨床深度學習模型部署。
在過去二十四年間，結核病 AI 影像研究的年複合增長率高達 21.2 %，總計產出 556 篇核心文獻，且主力設備並非高階儀器，而是傳統的胸部 X 光 (CXR)。這項涵蓋 Web of Science 與 Scopus 資料庫的文獻計量分析顯示，技術焦點已從早期單純的演算法開發，全面轉向大規模篩檢驗證與臨床部署。
WoS 與 Scopus 資料庫 556 篇文獻的篩選輪廓
針對這項全球規模的文獻計量分析，研究團隊鎖定了結核病 (Tuberculosis, TB) 這個持續威脅全球公共衛生的主要傳染性致死原因。在現行的臨床診斷與防堵篩檢流程中，影像學檢查始終佔據著極為關鍵的核心地位。隨著科技的快速演進，人工智慧 (Artificial Intelligence, AI) 被越來越頻繁地應用於胸部 X 光 (Chest X-rays, CXR) 與電腦斷層掃描 (Computed Tomography, CT) 的影像特徵判讀中。然而，在浩瀚的學術資料庫中，過去卻從未有一項綜合性的文獻計量學研究 (Bibliometric study)，能夠系統性地映射出 AI 驅動結核病影像領域的長期出版趨勢、跨國合作網路、影像設備的選擇偏好，以及技術演進的軌跡。為了解決這個宏觀資訊的落差，研究人員從 Web of Science (WoS) 與 Scopus 兩大學術資料庫中，廣泛檢索了自 2000 年起至 2025 年 7 月的相關出版物。團隊特別聚焦於基於 AI 技術的結核病影像學研究，並將分析範圍限定在以英文撰寫的原創研究文章與回顧性論文。為了處理龐大的書目數據，研究導入了 CiteSpace 與 VOSviewer 等專業的網路分析軟體，藉此深度解剖出版趨勢、合作架構、關鍵字共現網路 (keyword co-occurrence networks)，以及具備高度影響力的論文。經過一連串的篩選流程，最終總計有 556 篇高純度的出版物被確認並納入分析母體之中。
高達 21.2% 年複合增長率與印中兩國的文獻產出
把目光轉向出版年度與數量的曲線表現，這 556 篇文獻的歷史分佈揭示了該研究領域正處於一個動能極強的擴張期。統計數據顯示，基於 AI 的結核病影像研究出版量在過去二十多年間呈現出極為快速的增長態勢。從 2000 年至 2024 年的核心觀察期內，整體文獻產出的複合年增長率 (Compound Annual Growth Rate, CAGR) 達到了相當驚人的 21.2 %。這樣的高速成長軌跡，明確反映了全球醫療體系與電腦科學界對於自動化結核病篩檢技術的急迫需求與龐大資源投入。在針對國家層級的文獻產出與國際貢獻度分析中，數據呈現出高度集中的領先集團。印度與中國在整體的總出版量上取得了絕對領先的地位。這種國家級別的產量分佈特徵，實際上與全球流行病學的地理分佈有著深厚的連結；兩國皆屬於全球結核病高負擔 (high-burden) 的重點區域。龐大的本土盛行率與臨床病例數，為當地研究機構提供了極為豐沛的影像數據庫，進而成為孕育 AI 演算法訓練的肥沃土壤。雖然跨國的學術合作正在逐步建立，但這些高負擔國家內部的頂尖機構，仍然是驅動這 21.2 % 高增長率的最主要核心引擎。
CXR 作為大規模篩檢主力與 AI 技術的三個發展階段
若細看實際被用於訓練與驗證的影像設備分類，分析結果揭露了一個非常具體的臨床現況。儘管電腦斷層掃描 (CT) 能夠提供更精細的解剖結構與病灶的三維立體資訊，但在這數百篇文獻的統計中，胸部 X 光 (CXR) 依然是主導整個結核病 AI 影像研究的最主要影像設備 (dominant imaging modality)。CXR 憑藉著極高的普及度、低單次檢查成本，以及符合 ALARA（劑量合理抑低原則）的低輻射劑量特性，持續穩坐大規模群體篩檢工具的首選位置，促使多數的機器學習模型選擇以 CXR 影像集作為主要訓練素材。伴隨著文獻量的增長，研究團隊將技術進步軌跡精準劃分為三個截然不同的發展階段。第一階段的特徵為「基於分割的電腦輔助診斷 (segmentation-based CAD) 系統」，演算法依賴傳統影像處理技術，進行肺部區域的初步標記與分割。隨著硬體運算能力的爆發，技術推進到了第二階段的「深度學習 (Deep Learning) 革命」。卷積神經網路等深層模型取代了人工特徵提取，演算法開始自主從海量 CXR 影像中辨識極度微小的結核病理特徵。時至今日，文獻重心已邁入第三階段，即強調「AI 系統的臨床部署 (clinical deployment)」，研究挑戰轉向如何將系統無縫嵌入醫院資訊系統與放射科工作流程之中。
VOSviewer 聚類網路中的關鍵字共現與研究轉向
透過文獻計量軟體的節點與連線分析，VOSviewer 所生成的關鍵字共現聚類 (Keyword co-occurrence clustering) 網路，進一步勾勒出研究領域內的焦點議題板塊。系統自動分群的結果顯示，研究量能高度集中在幾個特定的學術領域中，其中以「機器學習 (machine learning)」、「電腦輔助檢測 (computer-aided detection)」，以及「結核病檢測 (tuberculosis detection)」這三大節點最為核心。這些關鍵字的頻繁交集，描繪出一幅以優化病灶檢出效能、降低偽陰性率為首要任務的演進地圖。除了關鍵字詞頻的靜態展現，研究團隊針對該領域內最具影響力論文 (influential papers) 的追蹤分析，也反映出研究目標實質層面的演進。早期的指標性文獻往往將重點擺在演算法架構的開發、神經網路的調整，以及封閉資料庫內的效能跑分。然而，近期的文獻趨勢與高引用率文章，已經呈現出一個極為清晰的方向轉移：從單純的演算法開發 (algorithm development)，大規模地跨越到「大規模篩檢驗證 (large-scale screening validation)」與真實世界的「臨床使用 (clinical use)」。這種轉變凸顯出，學界已深刻體認到，唯有通過跨機構、跨設備廠牌的嚴格臨床實證，這些 AI 模型才能真正具備常規使用的醫療價值。
邁向具備泛化能力與可解釋性 AI 的臨床部署
從文獻的討論與結論趨勢來看，這項文獻計量研究明確證實了 AI 在結核病影像領域已經歷了極為迅速的擴張，並成功從早期基礎的 CAD 系統，演進至今日由深度學習驅動的複雜臨床應用。在可預見的未來，CXR 作為大規模結核病篩檢基石的地位依然無可取代。針對未來的技術發展瓶頸，原文作者基於文獻回顧的結果，強調了接下來的研發努力必須高度聚焦於提供具備「可解釋性 (interpretable)」與「高度泛化能力 (generalizable)」的 AI 解決方案。可解釋性意指 AI 必須能明確標示出其做出判斷的影像依據；而泛化能力，則是要求模型在面對不同醫院、不同廠牌設備所產生的異質性影像時，依然能維持穩定的敏感度與特異性，藉此最大化系統對全球結核病的控制影響力。總結這些發現，凸顯了將基於 AI 的影像技術整合到常規臨床與公共衛生實踐中所蘊含的巨大價值。在具備跨國界的國際合作架構與穩固的技術支援前提下，基於 CXR 的 AI 解決方案將具備極大的潛能，可以大幅促進全球高疾病負擔地區的結核病檢測效率與防治量能。
結核病 AI 影像研究歷經 21.2% 的年複合增長，已全面從基礎演算法開發轉向強調泛化能力的大規模 CXR 臨床部署。