608篇AI乳腺癌影像研究的文献计量分析显示：诊断占71.22%，可解释AI爆发值1.00成为最热前沿

按临床任务拆分图谱：诊断433篇（71.22%，篇均被引24.74）、预后167篇（27.47%，篇均20.50）、治疗反应14篇（2.30%，篇均3.25）、预后加治疗多任务6篇（0.99%）。 以往文献计量多把该领域当作单一整体，本研究首次把诊断、预后、治疗反应预测分开统计，并给出各自的篇均被引。 基于608篇最终纳入文献的计数与百分比，数据来自Scopus与Web of Science，经PRISMA四阶段筛选（4831条记录、去重2744条、题摘筛选后余1259篇、全文评估后纳入608篇）。

模态与数据集高度集中：乳腺X线摄影出现在256项研究（42.11%），约为超声（100项，16.45%）的2.5倍，组织病理87篇（14.31%），MRI仅21篇（3.45%）；168次数据集提及中MIAS与BreakHis各37次（22.02%），INbreast 33次（19.64%），CBIS-DDSM 32次（19.05%），BUSI 29次（17.26%），乳腺X线数据集合计约占60.7%。 把模态分布与数据集使用频次并列呈现，使“乳腺X线摄影主导、基因组与人群级数据未被充分利用”这一结构性特征可量化。 来自608篇语料的模态计数与168次显式数据集提及的频次统计，并附数据集来源、样本量级、分析软件与访问地址表。

方法学实践报告不足：可解释AI中通用可解释性方法占31.91%（33篇）、Grad-CAM 14.64%（19篇）、CAM 11.84%（12篇）、显著性图5.92%（8篇）、SHAP 3.95%（7篇）、LIME 2.96%（3篇）、注意力可视化1.97%（3篇）、Integrated Gradients 0.99%（1篇）；超参数优化中最常用策略为遗传算法1.97%（12篇）、粒子群1.32%（8篇）、贝叶斯优化0.33%（2篇）、网格搜索0.16%（1篇），仅约15—25%的研究明确描述调优方法。 以往文献计量很少专门评估可解释AI采纳度与超参数优化报告情况，本研究把这两项作为独立维度量化。 基于608篇参考文献的显式提及计数与百分比，作者同时说明这些统计依赖标题、摘要与关键词提取，存在报告偏倚。

热点迁移与性能梯度：可解释AI爆发值1.00、多模态约0.92、注意力0.94、Transformer与ViT约0.89，而深度学习0.73、CNN 0.76被归为成熟或稳定核心；诊断模型典型准确率90—99%、AUC 0.85—0.99，预后C-index 0.65—0.90，治疗反应AUC 0.65—0.85且pCR预测不一致。 用爆发比而非单纯词频刻画趋势，把“从精度导向转向可解释、多模态、临床稳健”的范式转变量化，并给出跨任务性能梯度。 关键词频次与2023—2026近期占比计算出的爆发比，以及语料中报告的性能区间汇总；作者提示这些高准确率多来自回顾性、单中心或公开数据集，缺少独立外部验证。

该分析面向2020—2026年Scopus与Web of Science收录的同行评审英文期刊论文与综述，聚焦乳腺X线摄影、超声、MRI、组织病理等影像模态，因此其结论适用于影像驱动的乳腺癌AI研究布局、数据集与工具选型、以及报告规范制定。对希望了解领域任务分布、模态集中度、可解释AI与超参数优化实践现状的研究者、临床团队与工具开发者，本文提供了可直接引用的计数与表格化资源清单。作者提出的临床转化路径把工作分为内部验证、前瞻性与外部评估、临床验证与影响评估三阶段，并列出数据质量、可复现性、透明度、可解释性、公平性、隐私、监管合规与部署后监测等贯穿性要求，可作为后续研究设计与评估框架的参照。

本次读取的文本为不完整版本，图1至图16的具体内容未包含在内，因此PRISMA流程图、关键词共现网络、年度产出与引用增长曲线、期刊与作者产出分布、爆发图以及转化路径示意图只能依据正文描述理解，无法核对图中细节。作者亦指出若干范围性限制：语料仅来自选定数据库的已发表索引文献，可能遗漏其他仓储、预印本与非英文成果；定量提取依赖标题、摘要与关键词，数据集、框架与调优策略未必被一致记录；文献计量无法判断模型是否经过真实临床环境验证；多数研究依赖CBIS-DDSM、MIAS、INbreast等少数基准数据集，患者人群与成像条件代表性有限；引用与关键词趋势反映研究活跃度，不等同于科学质量或临床影响。此外，筛选由单一评审者完成且未预注册，可解释AI与超参数优化的统计基于显式提及，可能低估实际使用情况。读者可继续关注：Transformer类模型的多中心外部验证进展、可解释性评估标准的建立、多模态与联邦学习的数据协调方案，以及治疗反应预测这一占比仅2.30%的方向能否形成可比较的基准。