AI 中文总结
本研究通过系统证据图谱方法，对293项肺癌CT/LDCT人工智能研究进行分类，发现文献以检测任务为主，未来风险预测罕见，且仅10.6%研究具备完整转化证据链，揭示了该领域的主要转化差距。
AI 中文摘要
使用计算机断层扫描（CT）进行肺癌研究的人工智能研究常被宽泛地标记为“预测”，尽管它们处理的是临床上截然不同的任务。我们通过五数据库检索、全文资格评估、角色感知的模态/组学提取、临床任务分类以及多层证据图谱（MTEG），系统性地绘制了以CT/低剂量CT（LDCT）为中心的肺癌人工智能研究图谱。最终语料库包含293项研究（2016-2026年）：230项检测研究、8项未来风险预测研究和55项其他研究。临床变量（96.2%）、3D CT/LDCT（73.0%）和影像组学（63.5%）占主导地位，而外部验证（29.0%）、校准（20.5%）、决策曲线分析（13.0%）、纵向CT（17.7%）和显著性/归因可解释人工智能（XAI）（21.5%）则较少见。MTEG包含377个节点和3,444条边；仅有31项研究（10.6%）完成了六层实质性证据链，其中在推理/解释环节流失最为严重。总体而言，文献以检测为主导，真正的未来风险预测仍不常见，完整的转化证据链十分罕见。
英文摘要
Artificial-intelligence studies using computed tomography (CT) for lung cancer are often broadly labelled "prediction" despite addressing clinically distinct tasks. We systematically mapped CT/low-dose CT (LDCT)-centered lung-cancer AI using five-database retrieval, full-text eligibility assessment, role-aware modality/omics extraction, clinical-task classification, and a Multi-Tier Evidence Graph (MTEG). The final corpus comprised 293 studies (2016-2026): 230 Detection, 8 future Risk-prediction, and 55 Other studies. Clinical variables (96.2%), 3D CT/LDCT (73.0%), and radiomics (63.5%) predominated, whereas external validation (29.0%), calibration (20.5%), decision-curve analysis (13.0%), longitudinal CT (17.7%), and saliency/attribution XAI (21.5%) were less frequent. The MTEG comprised 377 nodes and 3,444 edges; only 31 studies (10.6%) completed the six-tier substantive evidence chain, with greatest attrition at reasoning/explanation. Overall, the literature is detection-dominated, genuine future risk prediction remains uncommon, and complete translational evidence chains are rare.
