Desde que se publicó el primer esquema de cifrado completamente homomórfico en 2009, se han publicado muchos artículos sobre cifrado completamente homomórfico y sus aplicaciones. El aprendizaje automático es una de las aplicaciones más interesantes y ha atraído mucha atención de los investigadores. Para representar y comprender mejor el campo del Cifrado Homomórfico en el Aprendizaje Automático (HEML), este documento utiliza análisis automático de citas y temas para caracterizar la literatura de investigación de HEML a lo largo de los años y proporcionar evaluaciones bibliométricas para este campo en crecimiento. Esto se realiza utilizando un enfoque de análisis estadístico bibliométrico. Utilizamos bases de datos de literatura en línea y herramientas automatizadas para presentar el desarrollo de HEML. Esto nos permite enfocarnos en varios temas populares para su discusión en profundidad. Para lograr estos objetivos, hemos elegido la base de datos de literatura Scopus bien establecida y la hemos analizado a través de recuentos de palabras clave y búsquedas de relevancia en Scopus. Los resultados muestran un aumento relativo en el número de artículos publicados cada año que involucran tanto criptografía homomórfica como aprendizaje automático. Mediante la minería de texto de los títulos de los artículos, hemos encontrado que la computación en la nube es un tema popular en este campo, que también incluye redes neuronales, big data y el Internet de las cosas. Los resultados del análisis muestran que China, EE. UU. e India han generado casi la mitad de todas las contribuciones de investigación en HEML. Las estadísticas de citas, estadísticas de palabras clave y análisis de temas nos brindan una visión general rápida del desarrollo del campo, lo cual puede ser de gran ayuda para los nuevos investigadores. También es posible aplicar nuestra metodología a otras áreas de investigación, y vemos un gran valor en este enfoque.