Research trends on AI in breast cancer diagnosis, and treatment over two decades
Notice bibliographique
Résumé
OBJECTIVE: Recently, the integration of Artificial Intelligence (AI) has significantly enhanced the diagnostic accuracy in breast cancer screening. This study aims to deliver an extensive review of the advancements in AI for breast cancer diagnosis and prognosis through a bibliometric analysis. METHODOLOGY: Therefore, this study gathered pertinent peer-reviewed research articles from the Scopus database, spanning the years 2000 to 2024. These articles were subsequently subjected to quantitative analysis and visualization through the Bibliometrix R package. Ultimately, potential areas for future research challenges were pinpointed. RESULTS: This study analyzes the development of Artificial Intelligence (AI) research for breast cancer diagnosis and prognosis from 2000 to 2024, based on 2678 publications sourced from Scopus. A sharp rise in global publication trends is observed between 2018 and 2023, with 2023 producing 456 papers, indicating intensified academic focus. Leading contributors include ZHENG B, with 36 publications, and institutions like RADBOUD UNIVERSITY MEDICAL CENTER and the IEO EUROPEAN INSTITUTE OF ONCOLOGY IRCCS. The USA leads both in publications (473) and total citations (18,530), followed by India with 289 papers. Co-occurrence analysis shows that "mammography" (3171 occurrences) and "artificial intelligence" (1691 occurrences) are among the most frequent keywords, reflecting core themes. Co-citation network analysis identifies foundational works by authors like Lecun Y. and Simonyan K. in advancing AI applications in breast cancer. Institutional and country-level collaboration analysis reveals the USA's significant partnerships with China, the UK, and Canada, driving the global research agenda in this field. CONCLUSION: In conclusion, this bibliometric review underscores the growing influence of AI, particularly deep learning, in breast cancer diagnosis and treatment research from 2000 to 2024. The United States leads the field in publications and collaborations, with India, Spain, and the Netherlands also making significant contributions. Key institutions and journals have driven advancements, with AI applications focusing on improving diagnostic imaging and early detection. However, challenges like data limitations, regulatory hurdles, and unequal global collaboration persist, requiring further interdisciplinary efforts to enhance AI integration in clinical practice.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,010 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,039 | 0,068 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».