基于CiteSpace的国内外医疗大语言模型研究热点演进及趋势分析

doi:10.12114/j.issn.1007-9572.2024.0377

中国全科医学 ›› 2025, Vol. 28 ›› Issue (25): 3200-3208.DOI: 10.12114/j.issn.1007-9572.2024.0377

• 数智医疗与信息化研究 • 上一篇下一篇

基于CiteSpace的国内外医疗大语言模型研究热点演进及趋势分析

牛奔¹, 朱晓倩², 杨辰³, 梁万年⁴^,^*(), 刘珏⁵^,^*()

1．518060　广东省深圳市，深圳大学医院管理研究院
2．518060　广东省深圳市，深圳大学大湾区国际创新学院
3．518060　广东省深圳市，深圳大学管理学院
4．100084　北京市，清华大学万科公共卫生与健康学院
5．100091　北京市，北京大学公共卫生学院

收稿日期:2024-08-15 修回日期:2024-09-10 出版日期:2025-09-05 发布日期:2025-07-24
通讯作者: 梁万年, 刘珏
作者贡献：
牛奔负责确定论文选题、文献筛选核对、论文撰写及修改、经费支持；朱晓倩、杨辰负责文献检索、筛选和去重，以及文献数据分析；刘珏负责图表制作、论文修改及质控、经费支持；梁万年负责论文选题、质控、指导及修改，并对文章整体负责。
基金资助:
国家自然科学基金重点项目(72334004); 国家自然科学基金优青项目(72122001); 广东省普通高校重点领域专项(2022ZDZX2054)

Evolution and Trends of Domestic and International Research Hotspots in the Field of Large Language Models in Medicine Based on CiteSpace

NIU Ben¹, ZHU Xiaoqian², YANG Chen³, LIANG Wannian⁴^,^*(), LIU Jue⁵^,^*()

1. Hospital Management Institute, Shenzhen University, Shenzhen 518060, China
2. Greater Bay Area International Institute for Innovation, Shenzhen University, Shenzhen 518060, China
3. College of Management, Shenzhen University, Shenzhen 518060, China
4. Vanke School of Public Health and Health, Tsinghua University, Beijing 100084, China
5. School of Public Health, Peking University, Beijing 100091, China

Received:2024-08-15 Revised:2024-09-10 Published:2025-09-05 Online:2025-07-24
Contact: LIANG Wannian, LIU Jue

摘要/Abstract

摘要： 背景由于其强大的语言处理能力和广泛的应用潜力，以ChatGPT为代表的大语言模型引领了医疗领域自然语言处理的新趋势。目的本研究通过文献计量分析揭示2017年以来医疗大语言模型的研究热点、主题分布及未来发展方向。方法通过Web of Science、中国知网、万方数据知识服务平台和维普网数据库，系统检索和筛选2017年1月—2024年6月关于医疗大语言模型的文献。利用CiteSpace软件提取文献中的主题关键词等信息，分析并对比国内外研究的演进、热点和趋势。结果共纳入1 071篇相关文献，结果显示国外研究集中于人工智能、大语言模型、深度学习、知识图谱等技术在医学中的应用，而国内研究则相对较少，侧重于中文医学问答系统构建和医疗数据非结构化问题处理。结论深化医疗数据挖掘，拓展多场景应用，并借鉴国际大语言模型的微调和应用评估经验，促进我国医疗大语言模型技术的发展和医学领域应用。

关键词: 卫生保健提供, 医疗健康, 大语言模型, 文献计量分析, CiteSpace, 人工智能

Abstract:

Background

With advanced language processing abilities and broad potential application scope, large language models (LLMs) such as ChatGPT, are driving a new wave of natural language processing in the medical field.

Objective

This study aims to identify research hotspots, topic distribution, and future trends of medical LLMs using bibliometric analysis.

Methods

A systematic search was conducted across the Web of Science, CNKI, Wanfang Data, and VIP databases for literature on medical LLMs published between January 2017 and June 2024. CiteSpace software was used to extract thematic keywords and other information from the literature, analyze and compare the evolution, hotspots, and trends of domestic and international research.

Results

A total of 1 071 relevant papers were included, revealing that international research mainly focuses on applying artificial intelligence, LLMs, deep learning, and knowledge graphs in medicine. In contrast, domestic research is more limited, focusing on developing Chinese medical question-answering systems and solving unstructured medical data problems.

Conclusion

It is recommended to enhance medical data mining, broaden its application in various scenarios, and leverage international experiences in fine-tuning and evaluating LLMs to advance medical LLM development in China.

Key words: Delivery of health care, Healthcare, Large language models, Bibliometric analysis, CiteSpace, Artificial intelligence

中图分类号:

R 19

牛奔,朱晓倩,杨辰,等. 基于CiteSpace的国内外医疗大语言模型研究热点演进及趋势分析[J]. 中国全科医学, 2025, 28(25): 3200-3208. DOI: 10.12114/j.issn.1007-9572.2024.0377.
NIU Ben,ZHU Xiaoqian,YANG Chen, et al. Evolution and Trends of Domestic and International Research Hotspots in the Field of Large Language Models in Medicine Based on CiteSpace[J]. Chinese General Practice, 2025, 28(25): 3200-3208. DOI: 10.12114/j.issn.1007-9572.2024.0377.

图/表 9

参考文献 34

[1]	THIRUNAVUKARASU A J, TING D S J, ELANGOVAN K，et al. Large language models in medicine[J]. Nat Med，2023,29(8):1930-1940. DOI：10.1038/s41591-023-02448-8.
[2]	SI Y Q, WANG J Q, XU H，et al. Enhancing clinical concept extraction with contextual embeddings[J]. J Am Med Inform Assoc，2019,26(11):1297-1304. DOI：10.1093/jamia/ocz096.
[3]	MOOR M, BANERJEE O, ABAD Z S H，et al. Foundation models for generalist medical artificial intelligence[J]. Nature，2023,616(7956):259-265. DOI：10.1038/s41586-023-05881-4.
[4]	SHAH N H, ENTWISTLE D, PFEFFER M A. Creation and adoption of large language models in medicine[J]. JAMA，2023,330(9):866-869. DOI：10.1001/jama.2023.14217.
[5]	管立本，李实. 融合多粒度语义信息和知识图谱的中文医疗问答匹配模型[J]. 计算机工程与应用，2024,60(14):152-161. DOI：10.3778/j.issn.1002-8331.2305-0453.
[6]	乔凯，陈可佳，陈景强. 基于知识图谱与关键词注意机制的中文医疗问答匹配方法[J]. 模式识别与人工智能，2021,34(8):733-741. DOI：10.16451/j.cnki.issn1003-6059.202108006.
[7]	王润周，张新生. 基于混合动态掩码与多策略融合的医疗知识图谱问答[J]. 计算机科学与探索，2024 ,18 (10):2770-2786. DOI：10.3969/j.issn.1671-3982.2021.11.001.
[8]	吴宗友，白昆龙，杨林蕊，等. 电子病历文本挖掘研究综述[J]. 计算机研究与发展，2021,58(3):513-527. DOI：10.7544/issn1000-1239.2021.20200402.
[9]	穆原，陈红兵. 机器学习助力检验医学发展[J]. 中华检验医学杂志，2018,41(8):627-630. DOI：10.3760/cma.j.issn.1009-9158.2018.08.013.
[10]	梁立荣，李长伟，沈晔，等. 基于层叠条件随机场模型的电子病历文本信息抽取[J]. 计算机应用与软件，2019,36(10):47-54,112. DOI：10.3969/j.issn.1000-386x.2019.10.009.
[11]	吕学强，张剑，穆天杨，等. 嵌入知识语义的医疗领域对话系统[J]. 计算机工程与设计，2023,44(12):3794-3799. DOI：10.16208/j.issn1000-7024.2023.12.037.
[12]	ABDALLA M, ABDALLA M, RUDZICZ F，et al. Using word embeddings to improve the privacy of clinical notes[J]. J Am Med Inform Assoc，2020,27(6):901-907. DOI：10.1093/jamia/ocaa038.
[13]	LEE Y Q, CHEN C T, CHEN C C，et al. Unlocking the secrets behind advanced artificial intelligence language models in deidentifying chinese-english mixed clinical text：development and validation study[J]. J Med Internet Res，2024,26:e48443. DOI：10.2196/48443.
[14]	EPPLER M, GANJAVI C, RAMACCIOTTI L S，et al. Awareness and use of ChatGPT and large language models：a prospective cross-sectional global survey in urology[J]. Eur Urol，2024,85(2):146-153. DOI：10.1016/j.eururo.2023.10.014.
[15]	POOL J, INDULSKA M, SADIQ S. Large language models and generative AI in telehealth：a responsible use lens[J]. J Am Med Inform Assoc，2024,31(9):2125-2136. DOI：10.1093/jamia/ocae035.
[16]	MOSKATEL L S, ZHANG N S. The utility of ChatGPT in the assessment of literature on the prevention of migraine：an observational，qualitative study[J]. Front Neurol，2023,14:1225223. DOI：10.3389/fneur.2023.1225223.
[17]	GWON Y N, KIM J H, CHUNG H S，et al. The use of generative AI for scientific literature searches for systematic reviews：ChatGPT and microsoft Bing AI performance evaluation[J]. JMIR Med Inform，2024,12:e51187. DOI：10.2196/51187.
[18]	ALLEN J W, EARP B D, KOPLIN J，et al. Consent-GPT：is it ethical to delegate procedural consent to conversational AI?[J]. J Med Ethics，2024,50(2):77-83. DOI：10.1136/jme-2023-109347.
[19]	CHEN J, CADIENTE A, KASSELMAN L J，et al. Assessing the performance of ChatGPT in bioethics：a large language model's moral compass in medicine[J]. J Med Ethics，2024,50(2):97-101. DOI：10.1136/jme-2023-109366.
[20]	BALAS M, WADDEN J J, HÉBERT P C，et al. Exploring the potential utility of AI large language models for medical ethics：an expert panel evaluation of GPT-4[J]. J Med Ethics，2024,50(2):90-96. DOI：10.1136/jme-2023-109549.
[21]	BAK M, CHIN J. The potential and limitations of large language models in identification of the states of motivations for facilitating health behavior change[J]. J Am Med Inform Assoc，2024,31(9):2047-2053. DOI：10.1093/jamia/ocae057.
[22]	WANG A, LIU C, YANG J Y，et al. Fine-tuning large language models for rare disease concept normalization[J]. J Am Med Inform Assoc，2024,31(9):2076-2083. DOI：10.1093/jamia/ocae133.
[23]	GOSWAMI J, PRAJAPATI K K, SAHA A，et al. Parameter-efficient fine-tuning large language model approach for hospital discharge paper summarization[J]. Appl Soft Comput，2024,157:111531. DOI：10.1016/j.asoc.2024.111531.
[24]	LI Z Z, ZHANG J F, ZHOU W，et al. GPT-agents based on medical guidelines can improve the responsiveness and explainability of outcomes for traumatic brain injury rehabilitation[J]. Sci Rep，2024,14(1):7626. DOI：10.1038/s41598-024-58514-9.
[25]	BENARY M, WANG X D, SCHMIDT M，et al. Leveraging large language models for decision support in personalized oncology[J]. JAMA Netw Open，2023,6(11):e2343689. DOI：10.1001/jamanetworkopen.2023.43689.
[26]	LI H, ZHANG R W, LEE Y C，et al. Systematic review and meta-analysis of AI-based conversational agents for promoting mental health and well-being[J]. NPJ Digit Med，2023,6(1):236. DOI：10.1038/s41746-023-00979-5.
[27]	罗华宇，许敏，曾朝蓉，等. ChatGPT在护理领域中应用的前景与挑战[J]. 中华护理教育，2023,20(12):1520-1523. DOI：10.3761/j.issn.1672-9234.2023.12.019.
[28]	施强慧，张子凡，胡博，等. 深度学习与人工智能在颈腰椎退变性疾病诊断及治疗中的应用研究进展[J]. 解放军医学杂志，2021,46(10):1034-1039. DOI：10.11855/j.issn.0577-7402.2021.10.13.
[29]	徐璐璐，洪贇，叶鹰. ChatGPT及GPT类技术的医学信息学应用前景探讨[J]. 情报理论与实践，2023,46(6):38-42. DOI：10.16353/j.cnki.1000-7490.2023.06.006.
[30]	丁文婧. "助手"还是"杀手"：用ChatGPT求医问药的风险分析[J]. 医学与哲学，2023,44(23):22-25. DOI：10.12014/j.issn.1002-0772.2023.23.05.
[31]	张忆汝，汤永，朱敏，等. 基于自然语言处理和深度学习的急性呼吸道传染病早期识别模型的构建[J]. 中华医院感染学杂志，2024(15):2394-2400. DOI：11.3436.r.20240722.1302.062.
[32]	梁文桐，朱艳辉，詹飞，等. 基于深度学习多模型融合的医疗命名实体识别[J]. 计算机应用与软件，2022,39(10):162-168,229. DOI：10.3969/j.issn.1000-386x.2022.10.025.
[33]	席运江，李曼，邓雨珊，等. 中文在线医疗社区问答内容知识图谱构建研究[J]. 图书情报工作，2024,68(4):124-136. DOI：10.13266/j.issn.0252-3116.2023.24.010.
[34]	徐若卿. 融合知识图谱和语义匹配的医疗问答系统[J]. 现代电子技术，2024,47(8):49-54. DOI：10.16652/j.issn.1004-373x.2024.08.008.

聚类	国际	聚类	国内
#0	care	#0	人工智能
#1	models	#1	实体识别
#2	large language models（llms）	#2	深度学习
#3	electronic health record	#3	模式识别
#4	evidence-based medicine	#4	知识图谱
#5	large language model
#6	deep learning
#7	language models
#8	forensic ai
#9	chatbots
#10	ethics-medical
#11	medical question answering
#12	artificial intelligence
#13	Llama 2
#14	decision support systems

聚类	国际	聚类	国内
#0	care	#0	人工智能
#1	models	#1	实体识别
#2	large language models（llms）	#2	深度学习
#3	electronic health record	#3	模式识别
#4	evidence-based medicine	#4	知识图谱
#5	large language model
#6	deep learning
#7	language models
#8	forensic ai
#9	chatbots
#10	ethics-medical
#11	medical question answering
#12	artificial intelligence
#13	Llama 2
#14	decision support systems

基于CiteSpace的国内外医疗大语言模型研究热点演进及趋势分析

Evolution and Trends of Domestic and International Research Hotspots in the Field of Large Language Models in Medicine Based on CiteSpace

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 34

相关文章 15

编辑推荐

Metrics

留言

英文关键词					中文关键词
序号	频次（次）	关键词	中心性	年份（年）	序号	频次（次）	关键词	中心性	年份（年）
1	435	artificial intelligence	0.10	2023	1	18	深度学习	0.27	2019
2	262	large language models	0.13	2023	2	12	人工智能	0.13	2021
3	163	large language model	0	2023	3	8	知识图谱	0.01	2021
4	115	natural language processing	0.14	2023	4	4	实体识别	0.06	2023
5	81	machine learning	0	2023	5	4	电子病历	0.05	2021
6	60	medical education	0.04	2023	6	4	循证医学	0.03	2021
7	40	generative ai	0.01	2023	7	4	医疗问答	0.01	2022
8	35	chatgpt	0.02	2023	8	4	文献分类	0	2020
9	32	language model	0.18	2019	9	3	机器学习	0.05	2018
10	32	deep learning	0.01	2023	10	3	医疗领域	0.01	2023

关键词	年份（年）	强度	开始年份（年）	结束年份（年）	2019—2024年
chat generative pre-trained transformer	2023	1.34	2023	2024	▂▂▂▂▃▃
transfer learning	2023	1.34	2023	2024	▂▂▂▂▃▃
efficacy	2023	1.34	2023	2024	▂▂▂▂▃▃
prevalence	2023	1.34	2023	2024	▂▂▂▂▃▃
ai chatbot	2023	1.34	2023	2024	▂▂▂▂▃▃
cancer	2023	1.28	2023	2024	▂▂▂▂▃▃
conversational agents	2023	1.28	2023	2024	▂▂▂▂▃▃
privacy	2023	1.00	2023	2024	▂▂▂▂▃▃
interventions	2023	1.00	2023	2024	▂▂▂▂▃▃
health communication	2023	1.00	2023	2024	▂▂▂▂▃▃
anxiety	2023	1.00	2023	2024	▂▂▂▂▃▃
people	2023	1.00	2023	2024	▂▂▂▂▃▃
united states	2023	1.00	2023	2024	▂▂▂▂▃▃
medical ethics	2023	1.00	2023	2024	▂▂▂▂▃▃
algorithms	2023	1.00	2023	2024	▂▂▂▂▃▃
knowledge	2023	1.00	2023	2024	▂▂▂▂▃▃
medical information	2023	1.00	2023	2024	▂▂▂▂▃▃
natural language processing（nlp）	2023	1.00	2023	2024	▂▂▂▂▃▃
conversational agent	2023	0.92	2023	2024	▂▂▂▂▃▃
academic integrity	2023	0.67	2023	2024	▂▂▂▂▃▃

关键词	年份（年）	强度	开始年份（年）	结束年份（年）	2017—2024年
对抗训练	2022	0.48	2022	2024	▂▂▂▂▂▃▃▃
人工智能	2021	0.72	2023	2024	▂▂▂▂▂▂▃▃
医疗领域	2023	0.52	2023	2024	▂▂▂▂▂▂▃▃
药物发现	2023	0.41	2023	2024	▂▂▂▂▂▂▃▃
中文医学	2023	0.41	2023	2024	▂▂▂▂▂▂▃▃
问答系统	2023	0.41	2023	2024	▂▂▂▂▂▂▃▃
疾病诊断	2023	0.41	2023	2024	▂▂▂▂▂▂▃▃
预训练	2023	0.41	2023	2024	▂▂▂▂▂▂▃▃
模块分解	2023	0.41	2023	2024	▂▂▂▂▂▂▃▃
复杂系统	2023	0.41	2023	2024	▂▂▂▂▂▂▃▃
应用	2023	0.41	2023	2024	▂▂▂▂▂▂▃▃
机器翻译	2023	0.41	2023	2024	▂▂▂▂▂▂▃▃
护理研究	2023	0.41	2023	2024	▂▂▂▂▂▂▃▃
智能问答	2023	0.41	2023	2024	▂▂▂▂▂▂▃▃
chip-cdn 2021	2023	0.41	2023	2024	▂▂▂▂▂▂▃▃
重症医学	2023	0.41	2023	2024	▂▂▂▂▂▂▃▃
特征提取	2023	0.41	2023	2024	▂▂▂▂▂▂▃▃
医学伦理	2023	0.41	2023	2024	▂▂▂▂▂▂▃▃
信息提取	2023	0.41	2023	2024	▂▂▂▂▂▂▃▃
居家健康	2023	0.41	2023	2024	▂▂▂▂▂▂▃▃

[1]	田向阳, 周迎生, 高莹. 糖尿病行为与生活方式干预展望[J]. 中国全科医学, 2026, 29(31): 4513-4520.
[2]	魏学娟, 王利华, 王丽, 任静林, 闫海青, 于海洋, 刘景峰. 智能语音外呼辅助传统干预对社区老年"三高"共病患者健康管理的效果研究：一项随机对照试验[J]. 中国全科医学, 2026, 29(31): 4635-4640.
[3]	谢远玲, 程丽, 龙湘玉, 苏政欣, 苏毅仪, 张人月, 孙国强, 陈旭霞, 周继兰. 人工智能眼科远程医疗诊断平台在社区眼健康筛查中的应用效果研究[J]. 中国全科医学, 2026, 29(31): 4641-4649.
[4]	黄牧, 张道春, 阳维, 钟丽明, 袁文静, 贾子琪, 谭相良, 段小慧, 刘岘, 陈维翠. 基于融合三维U-Net与Transformer的深度学习网络对腹部CT图像中结直肠癌病灶的自动分割：一项多中心、多设备研究[J]. 中国全科医学, 2026, 29(29): 4281-4287.
[5]	陈毓婧, 王岩, 李光, 董本超, 杨培川, 马剑雄. 数字技术在亚洲地区老年人肌少症干预中应用的范围综述[J]. 中国全科医学, 2026, 29(29): 4200-4210.
[6]	陈澄, 陈开元, 孙乃玲, 曾华堂, 雷苏文, 梁万年. 人工智能赋能疾病预防控制标准化建设现状及建议[J]. 中国全科医学, 2026, 29(29): 4193-4199.
[7]	邓玮, 黄梦婷, 易胜利, 林杨, 许力丹, 任哲学, 朱秀琼, 李烨莎, 任梦鸽, 柯大智, 李桂琼, 吴志勤, 骆傲然, 何发培. AI赋能全科临床思维的培养与实施效果研究[J]. 中国全科医学, 2026, 29(28): 4078-4085.
[8]	解霄芸, 刘晨曦, 柳羽姝, 周艺涵. 中国基层医疗卫生机构人工智能研究实践及潜在数据贫困问题：一项范围综述[J]. 中国全科医学, 2026, 29(28): 4067-4077.
[9]	周雨涵, 闵钰琦, 郭洲, 杨敏, 岳露, 何美忱, 周海蓉, 王永晨. 人工智能时代全科医生的机遇与挑战[J]. 中国全科医学, 2026, 29(25): 3563-3568.
[10]	王洪川, 张剑波, 马伟, 赵司迪. 数字政策引领医疗数据空间的治理逻辑与生态构建：基于"技术-管理-法律"的分析框架[J]. 中国全科医学, 2026, 29(24): 3416-3422.
[11]	欧阳微娜, 王露, 张璇, 唐薇, 范咏梅. 基于动态多尺度特征融合与注意力机制的心房颤动筛查研究[J]. 中国全科医学, 2026, 29(23): 3281-3286.
[12]	熊丹, 刘圆, 刘思敏, 吴建炜, 胡笑霞. 新媒体遗书中挖掘年轻人存在感空虚及其应对行为：人工智能辅助的内容分析[J]. 中国全科医学, 2026, 29(22): 3182-3191.
[13]	陈开元, 王洪川, 葛袆, 孙乃玲, 陈澄, 王天然, 曾华堂, 雷苏文, 梁万年. 生成式人工智能赋能卫生健康标准体系构建现状与挑战[J]. 中国全科医学, 2026, 29(22): 3073-3078.
[14]	汪洋, 邹川, 郭梦若, 何柳华, 陆许航, 桂贤忠, 徐志杰, 林恺, 金花, 姚弥, 杨辉, 于德华. 全科医务人员在人工智能的辅助下提炼高质量研究问题的五个步骤[J]. 中国全科医学, 2026, 29(22): 3094-3102.
[15]	胡敏, 吕向东. 远程心电人工智能诊断的准确性研究[J]. 中国全科医学, 2026, 29(18): 2498-2503.