摘要
背景：
图像引导肿瘤学中的人工智能研究呈指数级增长，但该领域从诊断辅助向直接治疗执行的进展程度从未被量化。现有的文献计量调查按技术架构或临床领域对研究进行分类，这些指标可以追踪出版物数量，但无法衡量与实际操作部署的接近程度。
目标：
我们开发了一种分层功能分类框架，用于绘制五大肿瘤学适应症中治疗性人工智能发展的全球图景。我们的两个具体目标是：(1)按诊断到治疗连续体上的临床输出功能对出版物进行分类；(2)使用三种互补指标量化转化差距，并与试验和设备登记进行三角验证。
方法：
我们提取了2010年1月至2026年4月间发表的29,277篇Web of Science出版物，涵盖五个图像引导肿瘤学专业领域（甲状腺、乳腺、肺、前列腺和肝脏）。AI相关记录通过三阶段协议按临床功能进行分类：关键词分类、上下文评分和基于规则的过滤。在518篇独立编码出版物上验证的评分者间可靠性得出Cohen's κ为0.92。我们的框架区分了诊断AI（疾病识别）和治疗性AI，然后进一步将治疗性AI分层为桥梁支持AI（治疗规划、预后、患者选择）和真正治疗AI。真正治疗AI被定义为同时满足两个标准：Yang手术自主性量表≥2级和IDEAL框架≥1阶段。
结果：
在确定的16,937篇AI相关出版物中，14,277篇（84.3%）被归类为诊断AI，仅有2,660篇（15.7%）被归类为治疗性AI。所有治疗性出版物都仅属于桥梁支持层级。没有任何研究满足真正治疗AI的双重框架标准，在所有五个肿瘤学领域中均得出0.00%的渗透率。尽管各领域间治疗与诊断比率存在11倍的差异，但这一完全执行真空仍然存在。在阈值放松、敏感性分析以及与3,491条ClinicalTrials.gov记录和1,430条FDA设备列表的独立三角验证下，这一发现仍然成立。
结论：
各专业应定期评估其诊断到治疗的转化进展。15年来五个领域中真正治疗AI的普遍缺失表明，这一差距是结构性的而非累积性的，根源在于方法论上对诊断范式的继承以及监管类别不匹配。弥合这一差距需要监管、研究和临床社区协调框架开发，而非渐进式算法改进。
【全文结束】