通過對國內外醫療人工智能倫理文獻計量學和關鍵詞分析，探討該領域研究前沿熱點和發展趨勢，為促進中國醫療人工智能倫理治理體系建設提供參考。用 CiteSpace 軟件對所查閱文獻進行發文量、作者以及機構合作網絡和關鍵詞共現、聚類、時間線圖以及突現進行國內外對比分析，探討該領域研究熱點和發展趨勢。共計納入中英文文獻 2393 篇，近幾年國內外醫療人工智能倫理研究主題為醫療人工智能倫理的理論研究、新興領域及其倫理風險、醫療人工智能倫理治理及規制等三方面，國際研究熱點為聯邦學習、計算機輔助診斷和知情同意等，國內研究熱點為智慧醫療、責任倫理和倫理價值等。國際上更多關注公共衛生領域的人群健康和衛生保健的倫理問題，國內研究主題則更傾向于理論探討和倫理原則制定。醫療人工智能的倫理治理是全世界面臨的共同挑戰，需要加強醫療人工智能倫理治理差異性與共識性的研究。

　　關鍵詞：醫療人工智能;可視化分析;倫理治理

　　1 資料和方法

　　1.1 文獻數據庫來源及篩選

　　研究選擇 Web of Science Core Collection (WOSCC) 和中國知網 (CNKI) 兩個數據庫為數據來源進行醫療人工智能倫理相關文獻的檢索，英文檢索式為 “[AB=(ethic*) OR TI=(ethic*) OR AB=(moral*) OR TI=(moral*)] AND [TS=(medic* OR biomedic* OR clinic*)] AND [TS=(“Artificial Intelligence” OR AI OR chatgpt OR “deep learning” OR “machine learning”)]”;中文檢索式為 “SU%=(‘人工智能’+‘AI’+‘chatgpt’+‘機器學習’+‘深度學習’) AND SU%=(‘醫學’+‘醫療’+‘生命’+‘生物’+‘臨床’) AND SU%=‘倫理’”。本文限定時間范圍為 “2000 年到 2024 年 7 月 11 日”。在此時間限制內，嚴格篩選了與醫療人工智能倫理研究主題緊密相關的文獻，去除與研究主題關聯性較弱的文獻，同時排除會議論文、信件、報紙等非學術研究文獻以及重復發表的文獻。

　　1.2 分析方法

　　本文基于文獻計量學，通過 CiteSpace 6.3.R1 Basic 軟件進行可視化分析，并生成關鍵詞共現圖譜、關鍵詞聚類圖譜和時間線圖等圖表，同時對國內外醫療人工智能倫理文獻的發文量、作者機構關系、熱點關鍵詞演進趨勢進行統計分析和可視化呈現，從而展示全球醫療人工智能倫理研究的知識全景。本文在評估網絡圖譜的繪制效果時，通過模塊值 (Q 值) 和平均輪廓值 (S 值) 來進行，若 Q 值超過 0.3，則表明所劃分的社區結構具有較高的顯著性;若 S 值達到 0.7，則表示聚類結果令人信服，而 S 值在 0.5 以上，聚類結果通常被認為是合理的。

　　2 研究結果

　　2.1 文獻計量學分析結果

　　2.1.1 發文量統計分析

　　基于 Web of Science Core Collection 和 CNKI 兩大數據庫檢索結果，經數據清洗后，研究者通過篩選文獻題目、摘要或正文，排除與主題不符的部分文獻，最終納入 1940 篇英文文獻和 453 篇中文文獻。統計結果可見，國內外醫療人工智能倫理研究的發文量呈遞增趨勢 (文獻檢索時間限定為 2024 年 7 月 11 日，故 2024 年發文量呈輕度下降趨勢)，2019 年之后增幅更加明顯，說明醫療人工智能的飛速發展繼發地引起全球倫理學界的探討。兩者在 2020-2023 年呈持續上升趨勢，國際發文量增速更快，與其相對應的國內發文量差距逐漸加大。

　　排名年份數量

　　12024453

　　22023

　　國內外醫療人工智能倫理研究熱點及可視化分析_呂孟澤.pdf

　　繼續2.1 文獻計量學分析結果(續)

　　2.1.1 發文量統計分析(續)

　　表 1 國際醫療人工智能倫理研究 2001-2024 年發文量

　　排名年份數量

　　32022337

　　42021267

　　52020193

　　6201995

　　7201833

　　8201721

　　920164

　　1020158

　　1120147

　　1220133

　　1320123

　　1420112

　　1520104

　　1620081

　　1720072

　　1820053

　　1920042

　　2020031

　　2120011

　　對所查閱文獻進行作者合作分析，結果可見，國際作者合作網絡圖譜共有節點 (N) 214 個，網絡線 (E) 301 條，網絡密度 (Density) 為 0.0132。國內作者合作網絡圖譜共有節點 192 個，網絡線 101 條，網絡密度為 0.0055。國內網絡密度較國際偏低，表明國內作者之間的合作關系相對松散。從作者個人參與頻次來看，國際以 Elmar Kotter、An Tang 和 Jacob L Jaremko 三位學者構成社會關系網，徐飛、關健發表中文文章數量占中文總數量前兩位，這些作者是作者合作網絡中的關鍵節點。國內醫療人工智能相關倫理問題研究分別形成了以黃鑫、李蘇寧、袁天蔚、尹軍祥、桑曉冬、阮梅花和盧珊等為中心的科研團隊，但整體團隊規模較小且作者間關系較為稀疏。

　　2.1.3 機構合作網絡分析

　　國際上發文量排名前三的機構是哈佛大學 (106 篇)、倫敦大學 (88 篇) 以及加利福尼亞大學體系 (82 篇)，中心性最高的是加利福尼亞大學 (0.16)，其次為牛津大學 (0.14)。國際機構合作網絡圖譜中共有 201 個節點，763 條連線，網絡密度為 0.038。國內發文量位列前三的機構分別是華中科技大學 (7 篇)、中國科學技術大學 (6 篇) 以及中國生物技術發展中心 (4 篇)，但中心性均較低，研究影響力有待提高。國內圖譜中共有 178 個節點，91 條連線，網絡密度為 0.0058，研究機構間合作較為松散。國際機構合作以高校為核心形成復雜網絡，國內則主要在研究所之間展開合作，但整體合作網絡分散。

　　2.2 醫療人工智能倫理領域關鍵詞分析

　　2.2.1 關鍵詞共現網絡分析

　　國際高頻關鍵詞包括人工智能 (848 次)、機器學習 (439 次)、深度學習 (183 次)、大數據 (128 次) 等，國內高頻關鍵詞為人工智能 (187 次)、倫理問題 (34 次)、倫理 (31 次)、醫學倫理 (24 次) 等。關鍵詞共現網絡顯示，國際研究圍繞 “人工智能 - 機器學習 - 大數據 - 醫療健康” 形成核心框架，國內則聚焦 “人工智能 - 倫理問題 - 醫學倫理 - 智慧醫療” 等主題，二者均以人工智能為核心，但國際更側重技術應用，國內更關注倫理理論與治理。

　　表 3 國際醫療人工智能倫理研究排名前 20 的高頻關鍵詞

　　排名關鍵詞頻次中心性

　　1artificial intelligence8480.13

　　2machine learning4390.35

　　3deep learning1830.03

　　4big data1280.05

　　5classification1230.05

　　6health1190.09

　　7prediction1130.22

　　8care920.10

　　9health care910.03

　　10diagnosis900.03

　　11risk730.00

　　12medicine700.09

　　13cancer610.04

　　14validation610.10

　　15ai530.02

　　16future530.07

　　17system520.05

　　18performance500.05

　　表 4 國內醫療人工智能倫理研究排名前 20 的高頻關鍵詞

　　排名關鍵詞頻次中心性

　　1人工智能1870.91

　　2倫理問題340.15

　　3倫理310.16

　　4醫學倫理240.12

　　5倫理風險200.07

　　6科技倫理140.02

　　7倫理治理140.04

　　8倫理審查130.08

　　9倫理困境110.09

　　10倫理原則100.05

　　11智慧醫療90.04

　　12機器人90.06

　　13倫理挑戰80.05

　　14醫療器械80.02

　　15大數據70.01

　　2.2.2 關鍵詞聚類分析

　　國際關鍵詞聚類得到 10 個標簽，核心聚類包括 #0 深度學習、#1 公共衛生、#2 倫理考量等，Q=0.8621，S=0.9307，聚類結構顯著且可信。國內聚類核心為 #0 人工智能、#1 倫理、#2 醫學倫理等，Q=0.8385，S=0.9673，顯示較高可信度。國際研究更關注技術應用與公共衛生倫理，國內則側重倫理理論與治理框架構建。

　　2.2.3 時間線圖分析

　　國際上，2001 年首次出現 “人工智能” 關鍵詞，2017-2024 年大數據、深度學習、計算機輔助診斷等成為熱點;國內 2006 年起步，2016 年后 “醫療倫理”“智慧醫療”“倫理治理” 等關鍵詞陸續突現，反映政策驅動下研究重點從技術引入轉向倫理規制。

　　2.2.4 關鍵詞突現分析

　　國際突現關鍵詞包括大數據 (2017-2020，強度 8.37)、計算機輔助診斷 (2019-2022)、聯邦學習 (2022-2024) 等，側重技術應用的倫理風險。國內突現關鍵詞為智能醫療 (2022-2024，強度 2.4)、科技倫理 (2021-2022)、責任倫理 (2022-2024)，凸顯政策導向下的倫理機制構建需求。

　　3 討論

　　3.1 國內外醫療人工智能倫理研究熱點演變分析

　　國際研究早期以技術應用為核心，近年轉向數據隱私、算法偏見及公共衛生倫理;國內受政策驅動，研究重點從技術倫理問題逐步深入到治理框架構建。例如，國際 “大數據” 研究強度最高，反映其對數據驅動技術的倫理關注;國內 “智能醫療”“科技倫理” 的突現，則與《科技倫理審查辦法 (試行)》等政策出臺直接相關。

　　3.2 國內外醫療人工智能倫理研究熱點分析

　　3.2.1 醫療人工智能倫理的理論研究

　　國際圍繞大數據隱私、算法偏見展開討論，如 Lepri 等指出數據訓練可能泄露患者敏感信息，加劇隱私風險;國內則聚焦醫療數據安全與倫理原則制定，趙力佳等強調需建立數據隱私保護機制。

　　3.2.2 新興醫療人工智能技術及其倫理風險

　　國際關注計算機輔助診斷、聯邦學習等技術的知情同意與責任歸屬，國內則側重智能醫療機器人的隱私泄露、主體權利認定等風險，如趙玲玲等提出需完善技術框架與法律法規以防控倫理風險。

　　3.2.3 醫療人工智能倫理治理及規制

　　國際組織如 WHO 發布多項指南，強調透明度、患者參與和全球協作;國內通過《全國醫院信息化建設標準與規范》等政策細化治理要求，但在跨學科合作與公眾參與方面仍需加強。

　　3.3 國內外醫療人工智能研究前沿及發展趨勢

　　國際前沿集中在生命科學技術與醫療保健倫理，國內則聚焦倫理機制構建與公平性問題。未來研究需加強醫療人工智能倫理治理的差異性與共識性研究，推動技術向善與全球協同治理。

　　4 結語

　　本文通過 CiteSpace 可視化分析發現，國內外醫療人工智能倫理研究在技術應用、倫理風險與治理模式上存在顯著差異，但均面臨算法黑箱、責任歸屬等共性挑戰。未來需進一步整合多學科資源，構建兼具本土特色與國際共識的倫理治理體系，促進醫療人工智能健康有序發展。

如果您現在遇到期刊選擇、論文內容改善、論文投稿周期長、難錄用、多次退修、多次被拒等問題，可以告訴學術顧問，解答疑問同時給出解決方案 。