Análise bibliométrica e Latent Dirichlet Alocação (LDA) de inteligência artificial para nódulos tireoidianos

Revisão sistemáticaNível 1 · Evidência consolidadaFrontiers in endocrinology10 set 20260 citações

O que aconteceu

A inteligência artificial (IA) integrou-se rapidamente no diagnóstico de ultrassom de nódulo tireoidiano e na estratificação de risco maligno, promovendo um domínio interdisciplinar de rápido crescimento que abrange endocrinologia, imagem médica e inteligência computacional. No entanto, estudos bibliométricos existentes neste campo dependem de conjuntos de dados de base de dados simples e de janelas de série de tempo curto, sem elaboração sistemática da articulação dinâmica entre as iterações clínicas das diretrizes e a evolução do algoritmo de IA. Este estudo realizou uma análise bibliométrica abrangente para preencher essa lacuna de pesquisa, esclarecer a paisagem intelectual global e revelar as regras evolutivas e as fronteiras emergentes do diagnóstico de nódulo tireoidiano assistido por IA. Artigos revisados por pares e revisões sobre IA no diagnóstico de nódulo tireoidiano foram recuperados da Web of Science e PubMed (2006-2025). Após rigorosa limpeza dos dados, 821 publicações válidas foram analisadas utilizando plataformas CiteSpace, VOSviewer e online, examinando tendências de publicação, contribuições, redes de colaboração, citações e evolução de palavras-chave. Alocação de Dirichlet Latente (LDA) foi aplicada para modelagem de tópicos.

O que encontraram

O campo apresentou crescimento rápido e sustentado, com uma taxa de crescimento anual composta de 24,1%, e uma notável aceleração por volta de 2017. No total, 2.870 autores de 75 países contribuíram. A China liderou a produção global, enquanto os Estados Unidos e a Coreia do Sul apresentaram maior qualidade de citação. Shanghai Jiao Tong University foi a instituição mais produtiva. A análise de palavras-chave revelou estreita ligação com as diretrizes clínicas (ATA, TI-RADS, Bethesda). Os principais hotspots incluíram análise de imagem ultrassonográfica, otimização de aprendizagem profunda e estratificação de risco maligno. Fronteiras emergentes envolvem IA explicável, fusão multimodal de dados e validação clínica padronizada.

Por que isso importa

Este estudo estabelece um mapa de conhecimento de séries de longa duração, multi-base de dados de aplicações de IA em diagnóstico de nódulo tireoidiano, revelando sistematicamente o padrão global de pesquisa, características da evolução espaço-temporal e lógica de desenvolvimento orientada por diretrizes desse campo. Diferentemente dos resumos bibliométricos unidimensionais anteriores, este trabalho esclarece como os critérios diagnósticos clínicos padronizados correspondem cronologicamente ao progresso iterativo da pesquisa em rádio e aprendizagem profunda. Os achados fornecem referências teóricas confiáveis para posterior otimização de algoritmos, inovação interdisciplinar e validação prospectiva multicêntrica em larga escala, facilitando a tradução clínica padronizada e o desenvolvimento de alta qualidade de modelos diagnósticos de tireoide assistidos por IA e endocrinologia de precisão.

Tradução automática do resumo original, publicado em Frontiers in endocrinology sob licença CC BY. Os números são conferidos contra o original; siglas e termos técnicos podem variar.