文献计量视角：2015 年后 AI 赋能眼病研究爆发式增长
图 1 视网膜与眼部健康领域中人工智能相关论文的发表走势
表 1 视网膜疾病领域人工智能研究的文献计量概览（统计区间：2010~2025 年）
图 2 眼科保健应用方向上最具影响力的期刊论文分布图。此图阐明了 2010 年至 2025 年间，哪些学术期刊对该领域的学术产出贡献卓著。通过气泡大小的视觉化呈现，直观展示了不同期刊发文数量的显著差异
图 3 数据显示 Schmidt-Erfurth U 与 Bogunovic H 两位学者发文量居首，分别达到 79 篇和 75 篇，堪称该领域的领军人物
图 4 基于 H 指数的学术影响力展示，Schmidt-Erfurth U 与 Bogunovic H 位列前茅，H 指数均高达 26
美国与中国的论文发表总数领先全球，两国发文规模自 2020 年起均实现大幅跃升。英国、新加坡、奥地利及德国虽然发文总量相对较少，但始终维持稳步增长态势。整体数据既反映了高收入国家的主导地位，也突显了全球其他参与者在人工智能眼部医疗领域日益新兴的贡献力量。
图 5 通讯作者数量排名前 15 的国家分布，显而易见，美国和中国在科研产出方面占据领跑位置，这归功于两国在医疗健康领域拥有高度机构化的技术创新体系及充足的资金支持
图 6 核心贡献国发文量的时间演变趋势。美国与中国占据主导地位，2020 年后增长显著。美国发文量最高，中国紧随其后，彰显了两国在人工智能驱动的眼科研究中的引领角色。相比之下，英国、西班牙、新加坡、奥地利、印度、瑞士、德国与加拿大等国虽增长温和但保持稳定。尽管发文基数较低，这些国家呈现出逐步上升的轨迹（尤其是近年来），反映出全球参与该研究领域的范围正在持续扩大
图 7 被提及频次最高的国家，美国再次拔得头筹，其次是中国与奥地利，这表明其不仅发文数量庞大，且在该领域的研究影响力尤为突出
在机构发文排行榜中，伦敦大学以 202 篇论文独占鳌头，维也纳医科大学与新加坡国立大学并列次席，各发表 191 篇。
图 8 推动眼科及相关领域发展的顶尖科研机构。伦敦大学凭借 202 篇发文量位居榜首。维也纳医科大学与新加坡国立大学均以 191 篇紧随其后，显示出这两所机构极高的学术活跃度，可能在人工智能与生物医学影像研究方面拥有广泛的协作网络。伦敦大学学院与加利福尼亚大学系统同样表现抢眼，发文量分别为 184 篇与 181 篇，这得益于其国际影响力及该领域研究产出的稳定性。杜克大学虽非领头羊，但贡献了 124 篇文献，仍是北美地区的重要参与者
研究团队指出，非洲、东南亚及拉美地区的科研机构基本未出现在合作网络图谱中，这一现状恐将制约人工智能诊疗工具在不同人群中的普适性。
在本次统计范围内，被引次数最高的文献由 Gu 等人撰写，发表于《IEEE Transactions on Medical Imaging》，主题聚焦深度学习在眼科影像分析中的应用，总被引频次高达 1764 次。被引次数排名第二和第三的文献分别由 Abràmoff 等人以及 Gargeya、Leng 完成，这两项研究均专注于人工智能在糖尿病视网膜病变诊断中的早期临床应用。其他重要贡献还包括 Li 等人与 Liskowski 和 Krawiec 的研究，重点在于开发卷积神经网络以分析视网膜影像。上述高被引论文共同构成了当前自动化诊断与基于影像的视网膜疾病检测研发的基石，对临床实践与学术发展产生了深远影响。
图 9 全球人工智能眼科领域被引次数排名前十的文献列表
关键词统计结果表明，光学相干断层扫描（optical coherence tomography）出现频率最高，提及达 546 次，是眼科影像与诊断流程的核心要素。其次是深度学习（367 次）与人工智能（246 次），显示出先进计算方法已深度融入现代眼科。其余高频词汇（如分割、机器学习、糖尿病视网膜病变）体现了学界对影像分析与疾病研究的高度关注。黄斑变性、视网膜与青光眼等关键词进一步反映了临床对致盲性眼病的重视。因此，该关键词图谱表明当前人工智能与眼病管理的研究趋势与眼科最新发文高度吻合。
图 10 高频关键词前 10 位排行
结合 2010 年至 2025 年的主题演化图谱分析，该领域发展大致可划分为三个阶段：早期（2010–2015 年）学术兴趣集中于基础技术（机器学习、算法、OCT、神经网络）与特定疾病（青光眼），属于眼科诊断计算方法的起步期。2016 至 2020 年研究转向更具实用性的主题（如分割、黄斑变性、糖尿病视网膜病变），并拓展 OCT 应用，表明人工智能在影像分析与疾病检测中的部署正向实用化转型。2021 至 2024 年研究扩展至更多领域，涵盖人工智能、视网膜诊断、治疗监测，雷珠单抗等术语的出现表明学界开始关注基于人工智能模型的治疗应用。预计 2025 年主要主题（OCT、人工智能、机器学习）将保持不变，同时涌现视网膜层分割、玻璃体切割术等新趋势，研究转向高分辨率影像分析与潜在外科应用。该主题趋势凸显了该领域从算法开发向眼科临床整合人工智能解决方案的转型，标志着研究基础日趋成熟与多元化。
图 11 主题演化图谱展示
研究团队认为，目前该领域仍存在诸多研究空白。相较于算法模型的快速迭代，真实世界临床验证与多中心临床试验的发展相对滞后。视网膜静脉阻塞、Stargardt 病等罕见视网膜疾病获得的研究关注较少。此外，可解释人工智能、数据隐私保护、算法责任界定等问题虽与行业合规监管紧密相关，但相关研究也较为匮乏。
与此同时，眼组学与影像组学已成为两大新兴研究方向。眼组学指借助人工智能分析视网膜影像，以此筛查全身性疾病；影像组学则是从医学影像中提取常规临床观察无法识别的量化特征。
本次分析仅纳入英文同行评审期刊论文，未收录会议论文与预印本文章。文献计量学仅能反映研究趋势与合作格局，无法评判单个人工智能模型的方法学质量与临床实际应用效果。受引用滞后效应影响，近期发表的文献被引数据也未能得到充分体现。
Zhao R, Gillani S. AI in ophthalmology: A bibliometric analysis of retinal imaging innovations and global research collaboration. Photodiagnosis and Photodynamic Therapy. 2026;59:105458. https://doi.org/10.1016/j.pdpdt.2026.105458
奥拉：从 DSDO 到 PREM，构建完整的近视管理镜片解决方案
美国眼科学会（AAO）发布三项青光眼首选诊疗模式（PPP）更新
眼表优化：现代白内障手术的首要关键步骤
商务合作和技术转移
长按以下二维码关注