目的:目前深度学习（Deep Learning,DL）神经网络在医学影像处理中的研究数量增长迅速,为了筛选当前受关注的DL网络与热点研究问题,通过文献计量方法挖掘该领域研究的一般规律、研究热点及未来发展趋势。另一方面,应用文献挖掘所获得的当下新兴的DL网络,结合影像组学相关知识,对当前突发的新型冠状病毒肺炎（Corona Virus Disease 2019,COVID-19）诊断问题展开影像学分析,提高COVID-19的诊断精度。方法:从Pub Med数据库中检索2012-2020年与DL和医学影像相关的原始论文。使用BICOMB、g CLUTO和VOSviewer分别进行高频Me SH词和高频关键词的共词聚类分析。并从每篇文章中提取数据,包括放射亚专科、成像技术、DL网络名称、样本量、图像任务等,通过统计以上数据,分析该领域目前的研究现状及热点主题。针对当前全球热点关注的传染病COVID-19的诊断问题,本文回顾性地从3家医院收集110例COVID-19阳性患者和106例COVID-19阴性患者的数据。由4名放射科专家对CT扫描中的肺炎病变进行病灶分割,并提取病灶中的影像组学特征。将提取出的影像组学特征输入4个常用的机器学习分类器,对COVID-19阳性/阴性患者进行诊断,并比较分类器的性能。同时使用文献计量分析中筛选得到的当前最受关注的DL网络提取图像DL特征,并比较DL特征、影像组学特征、DL+影像组学组合特征在分类器中的分类效果。最后,对比影像科专家使用本文方法作为辅助诊断工具前后的诊断精度。结果:文献计量分析结果表明2017年以来医学影像分析领域DL的文献数量大幅增加,占全部2685篇原始研究的97.2%。其中与胸腔相关研究在2020年超越了神经放射学相关研究,居放射亚专科的首位（188项vs 158项）。作为2020年新出现的高频关键词,生成对抗网络“GAN”型和“COVID-19”分别代表了当前新兴的DL算法与受关注的研究热点,基于生成对抗网络的Big Bi GAN在公共数据集的预训练中达到了无监督表征学习的最优性能,因此,本文使用该网络提取COVID-19 CT影像的DL特征。“radiomics”和“transfer learning”作为本领域的高频关键词,证明影像组学和迁移学习方法在该领域具有重要作用。基于以上分析结果,从用于COVID-19诊断的CT影像中分割出32099个病变的感兴趣区域,根据4个机器学习分类器对影像组学特征的分类结果表明最小绝对收缩和选择算子和线性分类器在外部验证数据集上取得了最佳性能,并与放射科专家取得了良好的一致性。这两种分类器共识别出与COVID-19诊断显著相关的32个高维DL特征和4个影像组学特征（P＜0.0001）。两种分类器在外部验证集中都实现了＞73.0%的灵敏度和＞75.0%的特异度。当使用DL+影像组学的组合模型辅助诊断时,影像科专家诊断的灵敏度和特异度分别提高了16.5%和11.6%。结论:本文评估了DL网络在医学影像分析中应用的一般规律、研究热点和未来趋势,将为未来的医学图像分析研究提供参考。在面对热点及突发的临床问题方面,先进的Big Bi GAN网络提取DL特征能够辅助COVID-19诊断,使用DL+影像组学的组合模型用于COVID-19辅助诊断有助于提高专家的诊断精度。