A Bibliometric Review of Explainable AI in Diabetes Risk Prediction: Trends, Gaps, and Knowledge Graph Opportunities

本文通过对 1933 篇文献的文献计量分析，揭示了糖尿病风险预测中机器学习与可解释人工智能（XAI）结合领域的快速增长现状，指出了当前缺乏知识图谱（KG）整合的关键研究空白，并提出了将 KG 作为语义层融入 ML 与 XAI 的三层概念框架，以弥合统计解释与临床推理路径之间的差距。

要点

这篇文章就像是一份**“糖尿病预测领域的探险地图”，作者 Thieu Anh Van 是一位侦探，他调查了全球关于“如何用人工智能（AI）预测糖尿病”的成千上万篇研究论文，发现了一个巨大的“知识断层”**，并提出了一个修补方案。

为了让你更容易理解，我们可以把整个研究过程想象成**“建造一座预测未来的智能医院”**。

1. 背景：为什么我们需要这座医院？

糖尿病（特别是 2 型糖尿病）就像一场全球性的“流行病风暴”，正在席卷世界各地。

• 现状： 以前，医生靠经验判断谁可能得病。现在，我们有了机器学习（ML），就像一群超级聪明的**“算命机器人”**。它们看了几百万人的健康数据（身高、体重、血糖等），能非常精准地算出：“这个人明年得糖尿病的概率是 80%！”
• 问题： 这些机器人虽然算得准，但它们是个**“黑盒子”。它们只告诉你结果（“高风险”），却不告诉你为什么**。就像你问机器人：“为什么说我高风险？”它只会说：“因为我的算法这么算的。”这对医生和患者来说太模糊了，医生不敢轻易相信，患者也听不懂。

2. 解决方案：给机器人装上“解释器”（XAI）

为了解决“黑盒子”问题，科学家们发明了**“可解释人工智能”（XAI）**。

• 比喻： 这就像给算命机器人装了一个**“翻译官”**。
  • 以前：机器人说“高风险”。
  • 现在：翻译官说“高风险，因为你的**体重（BMI）**贡献了 30% 的风险，血压贡献了 20%..."
• 现状： 作者调查了 2000 多篇论文，发现大家现在都在忙着给机器人装这种“翻译官”（主要是 SHAP 和 LIME 这两种工具）。研究热度像火箭一样飙升，从 2020 年的 36 篇猛增到 2025 年的 866 篇。

3. 核心发现：巨大的“知识断层”（KG 的缺失）

这是这篇论文最精彩的发现。作者发现，虽然“翻译官”很流行，但还缺了最关键的一环：“医学知识图谱”（Knowledge Graph, KG）。

• 比喻：
  • 目前的机器人（ML + XAI）： 就像一个**“只会背数据的统计员”。它能告诉你“体重重导致风险高”，但它不懂医学原理**。它不知道“体重重”为什么会变成“糖尿病”。
  • 缺失的部分（KG）： 这是一个**“医学图书馆”或“病理地图”**。它记录了真实的医学链条：肥胖 → 胰岛素抵抗 → 血糖升高 → 糖尿病。
• 惊人的数据：
  • 在 2000 多篇论文中，有906 次提到了“解释器”（XAI）。
  • 但只有17 次（不到 1%）提到了“医学知识图谱”（KG）。
  • 差距： 这是一个53:1的巨大鸿沟！
  • 结论： 现在的研究都在拼命教机器人“怎么说话”（解释数据），却没人教它“懂医学道理”（结合病理知识）。

4. 为什么会有这个断层？

作者分析了原因，就像分析为什么没人去修那座桥：

1. 太难了： 给机器人装“翻译官”很简单，写几行代码就行；但要构建“医学知识图谱”，需要懂复杂的医学数据库和图算法，门槛太高。
2. 没标准： 大家没有统一的“医学地图”来测试，就像没有统一的试卷，大家不敢乱考。
3. 习惯问题： 医生习惯了看简单的统计图表，还没准备好去读复杂的“病理链条”。

5. 作者提出的新方案：三层架构

作者没有止步于发现问题，他画了一张**“新医院”的设计图**，建议未来的研究应该包含三层：

1. 第一层：预测层（The Predictor）
   • 角色： 超级算命机器人（如 XGBoost）。
   • 任务： 算出概率。
2. 第二层：解释层（The Translator）
   • 角色： 翻译官（如 SHAP）。
   • 任务： 告诉你是哪个指标（如体重）导致了高风险。
3. 第三层：知识层（The Doctor's Brain）
   • 角色： 医学图书馆（知识图谱）。
   • 任务： 这是作者最想要的创新点！ 它把第二层的“体重”和医学知识连起来。
   • 最终效果： 机器人不再只说“体重高”，而是说：“因为您的体重过高，导致了胰岛素抵抗（这是医学原理），进而引发了血糖升高，所以您有高风险。”

6. 总结与启示

• 现状： 我们造出了跑得飞快的赛车（预测模型），也装上了很好的导航（解释器），但还没装上懂路况的司机（医学知识）。
• 未来方向： 作者呼吁，未来的研究不能只盯着“算得准不准”，更要让 AI**“懂医学”**。只有把数据预测和医学原理结合起来，AI 才能真正走进医院，帮助医生做决策，而不是仅仅作为一个冷冰冰的计算器。

一句话总结：
这篇论文告诉我们，现在的 AI 医生虽然能算出你“会不会得病”，但它还像个只会背书的实习生，不懂“为什么会得病”。未来的方向是给它装上**“医学大脑”**，让它不仅能算数，还能像老专家一样讲出背后的病理故事。

技术摘要

这是一份关于《可解释人工智能在糖尿病风险预测中的文献计量学综述：趋势、差距与知识图谱机遇》（A Bibliometric Review of Explainable AI in Diabetes Risk Prediction: Trends, Gaps, and Knowledge Graph Opportunities）的技术总结。

1. 研究背景与问题陈述 (Problem)

• 背景：2 型糖尿病（T2DM）是全球主要的公共卫生挑战。机器学习（ML）已被广泛用于 T2DM 的风险预测，但复杂的 ML 模型（如 XGBoost、随机森林、深度学习）通常被视为“黑盒”，缺乏透明度，阻碍了其在临床环境中的部署。
• 现有解决方案的局限：可解释人工智能（XAI）方法（如 SHAP、LIME）被引入以提供特征级别的解释。然而，这些方法主要提供统计层面的归因（即“什么特征重要”），缺乏对病理生理机制的深层理解（即“为什么”和“如何”导致风险）。
• 核心问题：
  1. 临床可解释性差距：统计解释未能与结构化的临床路径或医学知识相结合。
  2. 知识图谱（KG）的缺失：尽管知识图谱在生物医学领域（如药物发现）应用广泛，但在"T2DM 风险预测 + XAI"的交叉领域中，KG 或图神经网络（GNN）的应用极度匮乏。
  3. 缺乏量化证据：此前尚无研究在大规模文献中量化这一差距，也缺乏将 ML 预测、系统 XAI 和 KG 语义层整合的框架。

2. 方法论 (Methodology)

本研究采用结构化文献计量学综述与深度选择性综述相结合的方法：

• 数据来源：
  • 两个独立数据库：Scopus（覆盖计算机科学与工程）和 PubMed/MEDLINE（覆盖生物医学与临床）。
  • 检索策略：针对“糖尿病”领域词与"XAI/可解释性”方法词的组合，并排除糖尿病视网膜病变等图像分析相关研究。
• 数据处理：
  • 语料库规模：经过去重（基于 DOI、PMID 和标题模糊匹配）后，最终获得 2,048 篇文档。
  • 数据库重叠：Scopus 与 PubMed 有 33.2% 的重叠记录，确保了结果的稳健性。
  • 分析工具：完全使用 Python (pandas, matplotlib, numpy) 进行清洗、归一化和统计分析，未使用 VOSviewer 等黑盒工具。
• 分析步骤：
  1. 定量分析：分析发表趋势、地理分布、来源期刊、作者关键词频率及主题聚类（基于规则的分类法）。
  2. 选择性综述：对15 篇高引用论文进行深度审查，以验证定量发现的差距。
  3. 框架提出：基于发现提出概念性整合框架。

3. 关键发现与结果 (Key Results)

• 增长趋势：该领域处于爆发式增长阶段。从 2020 年的 36 篇激增至 2025 年的 866 篇（占语料库的 42.3%），尚未饱和。
• 主导技术：
  • XAI 方法：SHAP (152 次出现) 和 LIME 占主导地位，SHAP 因其理论基础（Shapley 值）更受青睐。
  • ML 模型：XGBoost 和 随机森林 (Random Forest) 是主流模型。
  • 地理分布：中国 (2,287 次)、美国 (793 次) 和印度 (578 次) 领先，但东南亚和非洲国家贡献极少，存在显著的地域差距。
• 核心发现：KG/GNN 的巨大差距：
  • 在 2,048 篇文档中，XAI 相关术语出现 906 次，而 KG/GNN 相关术语仅出现 17 次。
  • 比例：两者比例为 53.3 : 1 (KG 仅占约 0.83%)。
  • 验证：在 15 篇高引用论文的深度审查中，没有任何一篇同时结合了 ML 预测、系统 XAI 和 KG 语义层。
• 数据成熟度问题：40% 的高引用论文仍使用 1988 年收集的 PIMA 数据集（仅 768 条记录），缺乏对现代大规模人群健康调查数据（如 BRFSS、UK Biobank）的验证。

4. 主要贡献 (Key Contributions)

1. 量化差距：首次通过双数据库（Scopus + PubMed）的大规模文献计量分析，量化了 T2DM 风险预测领域中 XAI 与 KG 整合的结构性缺失（0.83% 的占比）。
2. 提出三层概念框架：构建了一个整合框架，包含：
   • 预测层 (Predictive Layer)：利用 ML（如 XGBoost）进行风险预测。
   • 可解释层 (Explainability Layer)：利用 SHAP 等提供特征贡献度（回答“什么”）。
   • 知识层 (Knowledge Layer)：利用知识图谱 (KG) 将特征映射到医学本体（如 UMLS, ICD-10），构建病理生理路径（如：肥胖 → 胰岛素抵抗 → 高血糖 → T2DM），回答“为什么”和“如何”。
3. 方法论贡献：提供了一套可复现的、基于规则聚类的文献计量分析流程，并公开了代码。
4. 识别研究空白：指出了当前研究在跨方法一致性评估（SHAP vs LIME）、时间稳定性评估以及针对特定人群（发展中国家）数据验证方面的不足。

5. 意义与展望 (Significance)

• 临床意义：目前的 XAI 仅能提供统计相关性，难以满足临床医生的推理需求。引入 KG 层可以将统计解释转化为基于医学知识的结构化临床推理，降低临床认知负荷，提升临床决策支持系统（CDSS）的可信度。
• 研究导向：该研究指明了未来方向，即从单纯的“统计解释”向“基于知识的解释”转变。未来的工作应致力于构建包含 KG 的混合管道，解决数据异构性、本体对齐和评估基准缺失等挑战。
• 局限性说明：作者强调，该框架目前处于概念阶段，KG 层旨在增强可解释性而非进行真正的因果推断（Causal Inference），且尚未在真实临床环境中进行实验验证。

总结：这篇论文揭示了 T2DM 风险预测领域在“可解释性”方面的一个关键盲区——缺乏医学知识图谱的支撑。它呼吁研究界超越单纯的统计特征重要性分析，转向结合结构化医学知识的混合智能系统，以实现真正具有临床意义的 AI 辅助决策。