综述：癌症研究中100篇最高被引放射组学文章的文献计量分析

这篇综述通过文献计量学方法系统分析了癌症放射组学（Radiomics）领域最具影响力的100篇文献（T100），揭示了该学科的发展脉络与研究热点。研究显示美国（56篇）和哈佛大学贡献最突出，《Radiology》期刊影响力最大，Aerts Hugo JWL为关键作者。人工智能（AI）与肺癌成为新兴方向，放射组学通过高通量特征提取（如AccuContour、PLANET Dose工具）在肿瘤异质性分析、疗效预测（如MSI、BRAF/RAS基因）中展现优势，推动精准医学（Precision Medicine）发展。

　　

数据收集
研究团队从Web of Science核心合集中筛选了截至2022年的11,492篇癌症放射组学文献，按被引次数降序提取T100进行分析。这些文献来自81个国家，总被引达53,979次，单篇平均被引539.79次。2016年总被引峰值（11,972次），而2012年单篇年均被引最高（845次），反映早期奠基性研究的持续影响力。

特征分析
美国以56篇文献占据主导地位，哈佛大学和《Radiology》分别成为核心机构与期刊。Aerts Hugo JWL团队的研究尤为突出，其2014年发表的放射组学框架论文被引4,236次，奠定该领域方法论基础。关键词共现图谱显示，"lung cancer"与"artificial intelligence"呈现爆发性增长，暗示研究热点转向AI驱动的肺癌精准诊疗。

技术应用
放射组学工具如AccuContour（ Dice系数0.85-0.95）通过自动化肿瘤勾画显著提升放疗效率，而PLANET Dose系统优化了剂量验证流程。在乳腺癌中，MRI纹理特征（AUC 0.92-0.94）可预测新辅助化疗效果；结直肠癌（CRC）领域，CT放射组学模型能预判微卫星不稳定性（MSI）和基因突变（BRAF^V600E、RAS），较传统活检更具全局肿瘤异质性评估优势。

临床价值
与传统活检相比，放射组学提供非侵入性、全肿瘤范围的异质性分析，其影像特征与肿瘤侵袭性显著相关。例如，通过动态监测肝癌转移灶的CT特征变化，可提前预测化疗响应。头颈癌研究中，深度学习联合放射组学使淋巴结转移预测准确率提升30%。

局限与展望
当前研究受限于数据库覆盖偏差（如排除非英语文献）和软件分析能力，但多组学（Multi-omics）融合与AI算法的进步将推动该领域发展。未来需加强跨国合作，尤其关注发展中国家肿瘤特征数据的纳入。

结论
放射组学正重塑癌症诊疗范式，其与基因组学、深度学习的交叉融合将加速精准肿瘤学（Precision Oncology）进程，而标准化特征提取流程和前瞻性临床试验是下一步攻关重点。