Amaç: Bu çalışma, onkoloji ve rekürrent sinir ağlarının kesişimindeki araştırma eğilimlerini ortaya çıkarmak, etkili yayınları belirlemek ve işbirliği çabalarını keşfetmek amacıyla Web of Science veri tabanında indekslenen bilimsel çalışmaların bibliyometrik analizini yapmaktadır. Materyal ve Yöntemler: Bibliyometrik analiz, 26 Mayıs 2025 tarihinde Web of Science veri tabanından çıkarılan en sık alıntı yapılan 50 yayın üzerinde yoğunlaşmıştır. Kullanılan arama sorgusu "ALL=(oncology)" AND ALL=("recurrent neural network" OR "RNN" OR "LSTM" OR "GRU)" olmuştur. Ortaya çıkan veri kümesi Python ve pandas, numpy, matplotlib, seaborn, wordcloud ve networkx gibi kütüphaneler kullanılarak analiz edilmiştir. Ayrıca, görsel temsil ve analiz için VOSviewer kullanılmıştır.

Bulgular: Analiz edilen 50 yayın 2013'ten 2022'ye kadar olan dönemi kapsamaktadır. Yıllık yayın oranı nispeten sabit kalsa da, 2016 ve 2018 yıllarında toplam atıflarda önemli artışlar gözlenmiştir. FM Kong, 6 yayınla en üretken yazar olarak öne çıkmıştır. En sık kullanılan anahtar kelime "Deep learning" olurken , "Oncology" hem Web of Science kategorilerinde hem de araştırma alanlarında en belirgin kategori olmuştur.

Sonuç: Bu araştırma, onkoloji alanında rekürrent sinir ağları ve derin öğrenme metodolojilerini kullanmaya yönelik artan ilgiyi vurgulamaktadır. Özellikle, tıbbi görüntüleme bu teknikler için önemli bir uygulama alanı olarak ortaya çıkmaktadır. Belirlenen kilit araştırmacılar ve işbirlikçi çerçeveler, bu alandaki ilerlemeleri teşvik etmede etkili olmaktadır.

Giriş
Onkoloji ile tekrarlayan sinir ağlarının birleşimi (RNN), kanser tanısı, tedavisi ve prognozunda devrim yaratma potansiyeline sahip, hızla gelişen bir alanı temsil etmektedir [1], [2]. Sıralı verileri işleme yetenekleriyle tanınan tekrarlayan sinir ağları, hastalık ilerlemesi, tedaviye yanıt ve genomik evrim gibi kanser biyolojisinin doğasında bulunan karmaşık zamansal bağımlılıkları analiz etmede benzersiz avantajlar sunmaktadır [3]. Bilimsel literatürü analiz etmek için kullanılan nicel bir araştırma yöntemi olan bibliyometrik analiz, bu disiplinler arası alanın evrimi, eğilimleri ve etkisi hakkında değerli içgörüler sağlar [4]. Araştırmacıların etkili yayınları ayırt etmelerine, kilit araştırma alanlarını belirlemelerine ve inovasyonu yönlendiren işbirliği ağlarını anlamalarına olanak tanır. Bibliyometrik çalışmalar yayın kalıplarını, atıf ağlarını ve anahtar kelime sıklıklarını inceleyerek; bir araştırma alanının entelektüel yapısını ortaya çıkarabilir ve bu alanın gelişimi ile gelecekteki yönelimleri hakkında kapsamlı bir genel bakış sunar [5], [6]. Evrişimli Sinir Ağı (CNN) teknolojisini iyileştirmek ve entegre etmek için yenilikçi yöntemler araştırmak, tıbbi

teşhislerin doğruluğunu ve verimliliğini artırmak açısından çok önemlidir [4]. Onkoloji alanında, CNN'ler akciğer, meme ve prostat kanseri dahil olmak üzere çeşitli kanserlerin erken teşhisinde önemli bir rol oynamaktadır [7]. Onkolojide Tekrarlayan Sinir Ağları Konvolüsyonel sinir ağları tıbbi görüntü analizinde büyük ilgi görse de, tekrarlayan sinir ağları onkolojide sıralı verilerin modellenmesi için benzersiz avantajlar sunmaktadır. Zaman bilgisini işleme konusunda doğuştan gelen yetenekleriyle RNN’ler, çeşitli sağlık uygulamalarında, özellikle hasta izleme ve hastalık ilerlemesi gibi zaman serisi verilerinin analizinde önemli bir potansiyel sergilemiştir [12]. Bu, kanser araştırmalarında hastalığın seyrini tahmin etmek, tedaviye verilen yanıtları değerlendirmek ve direnç gelişimini anlamak için özellikle yararlıdır [12]. Geri besleme döngülerini içeren RNN'lerin yapısı, geçmiş girdilerin hafızasını muhafaza etmelerini sağlar ve bu da onları, geçmiş hasta verilerine dayalı olarak hastalık ilerlemesini veya tedaviye verilen yanıtı tahmin etmek gibi görevler için uygun hale getirir. RNN'lerin karmaşık veri kümelerindeki kalıpları ve anomalileri tespit etme kapasitesi, onları çoklu kanser tespiti için değerli bir varlık haline getirir. Bir RNN türü olan Uzun Kısa Vadeli Bellek ağları, sıralı verilerdeki uzun menzilli bağımlılıkları yönetmede ustadır ve bu da onları kanser gibi kronik hastalıkların ilerlemesini modellemek için özellikle yararlı kılar. Ayrıca, kanser araştırmalarında genomik, görüntüleme ve klinik veriler dahil olmak üzere çok modlu verilerin artan entegrasyonu, karmaşık veri ilişkilerini işleyebilen analitik teknikleri gerektirmektedir ve RNN'ler bu konuda son derece uygundur [1].

Bibliyometrik analiz, bilimsel alanların entelektüel çerçevesini değerlendirmek ve tanımlamak için sağlam bir nicel yaklaşım oluşturmaktadır (10). Bu çalışma, Web of Science veritabanında indekslenmiş yayınlara odaklanarak, onkoloji ve tekrarlayan sinir ağlarının kesişimindeki araştırma ortamını analiz etmek için bibliyometrik bir metodoloji kullanmaktadır. Bibliyometrik yöntemler, akademik yayınlar ve atıflar hakkında nicel bilgiler sunarak araştırma eğilimlerinin, etkili çalışmaların ve işbirliği modellerinin değerlendirilmesine olanak tanır. Çalışma, ilgili yayınları belirlemek için kapsamlı bir arama stratejisini kapsayacak ve bunu, temel eğilimleri, etkili yazarları ve ortaya çıkan araştırma temalarını ortaya çıkarmak için veri çıkarma ve analizi izleyecektir (11). İlk arama sorgusu, onkoloji ile ilgili bağlamlarda tekrarlayan sinir ağlarının uygulamasını açıkça ele alan yayınları yakalamak için özenle tasarlanacaktır. Arama sorgusu, ilgili literatürün kapsamlı bir şekilde ele alınmasını sağlamak için hem onkoloji hem de tekrarlayan sinir ağlarıyla ilgili anahtar kelimeleri ve konu başlıklarını içerecektir. Bu bibliyometrik analiz, 26 Mayıs 2025 tarihinde Web of Science (WoS) veritabanı kullanılarak gerçekleştirilmiştir. Arama stratejisinde "ALL=(oncology)" AND ALL=("recurrent neural network" OR "RNN" OR "LSTM" OR "GRU)" kombinasyonu kullanılmıştır. Bu arama sorgusunun sonucunda, en çok atıf alan 50 yayın belirlenmiş ve sekmeyle ayrılmış dosya formatında bir bibliyometrik veri seti oluşturulmuştur. Veri kümesi, Python programlama dili ve pandas, numpy, matplotlib, seaborn, wordcloud ve networkx gibi kütüphaneler kullanılarak analiz edildi. Dosya, sekme sınırlayıcısı (delimiter='\t') ve UTF-8 kodlaması ile pd.read_csv() işlevi kullanılarak yüklendi. Veri setinde TI (Başlık), AU (Yazar), PY (Yayın Yılı), SO (Kaynak), TC (Atıf Sayısı), DE (Yazar