首页 › 期刊 › 医学 › Oncology Reviews
Oncology Reviews
出版商:Frontiers Media SA · ISSN:1970-5565, 1970-5557 · 国家/地区:CH · 类型:journal · OA 开放获取 · 官网:http://www.oncologyreviews.org
研究主题:Cancer Treatment and Pharmacology · Cancer Genomics and Diagnostics · Head and Neck Cancer Studies · Breast Cancer Treatment Studies · Renal cell carcinoma treatment
数据覆盖:10 个公开学术数据源交叉核验(crossref、doaj、fqb、jcr、openalex、scimago、submission、wikidata、xr、cwts)。
数据来源与实体核验
期刊官网 · OpenAlex 期刊实体 · Wikidata 期刊实体
核心指标
- 影响因子(JCR 2025):4.000
- JCR 分区:Q2(ONCOLOGY)
- 中科院分区(2025):医学 4区,大类排名 2173/5603;小类:ONCOLOGY 肿瘤学 4区,排名 165/318
- 新锐分区(2026):医学 3区
- SJR:1.096(Q2),2025 年,Switzerland
- CWTS 2025:SNIP 1.451 · IPP 5.000 · 自引率 0.5%
- h-index:41
- i10 指数:168
- 近两年篇均被引:4.41
- 载文量 838 · 总被引 8049
- Crossref DOI 总量:470,近期 139
逐年趋势
- 近年影响因子:2022 3.6 → 2023 3.1 → 2024 5.2
- 近年 SJR:2021 0.737(Q2) → 2022 0.861(Q2) → 2023 0.747(Q2) → 2024 0.968(Q2) → 2025 1.1(Q2)
投稿参考
- DOAJ 收录的开放获取期刊,收取文章处理费(APC)
- 版面费(APC)约 $1900 USD(以期刊官网为准)
- 提供 LaTeX 投稿模板(FrontiersinHarvard.cls)
- 提供投稿指南
同学科期刊推荐
- CA-A CANCER JOURNAL FOR CLINICIANS — IF 685.2 · JCR Q1 · 中科院1区(Top)
- The Lancet — IF 109.0 · JCR Q1 · 中科院1区(Top)
- MMWR Surveillance Summaries — IF 96.9 · JCR Q1 · 中科院1区(Top)
- Nature Reviews Clinical Oncology — IF 94.6 · JCR Q1 · 中科院1区(Top)
- Nature Reviews Drug Discovery — IF 91.2 · JCR Q1 · 中科院1区(Top)
- New England Journal of Medicine — IF 84.5 · JCR Q1 · 中科院1区(Top)
- Signal Transduction and Targeted Therapy — IF 81.2 · JCR Q1 · 中科院1区(Top)
- Annals of Oncology — IF 80.4 · JCR Q1 · 中科院1区(Top)
常见问题
《Oncology Reviews》的影响因子是多少?
根据 JCR 2025 年数据,《Oncology Reviews》的最新影响因子(IF)为 4.000。
《Oncology Reviews》是几区期刊?
《Oncology Reviews》中科院分区(2025年版)为医学4区,JCR 分区为 Q2。
《Oncology Reviews》是开放获取(OA)期刊吗?
是,《Oncology Reviews》是开放获取(Open Access)期刊,已被 DOAJ 收录,发表需支付文章处理费(APC)。
《Oncology Reviews》的版面费(APC)是多少?
根据 OpenAlex 收录的价目,《Oncology Reviews》的文章处理费(APC)约为 $1900 美元。实际费用与豁免政策请以期刊官网为准。
本刊近期代表论文
- Models of high-grade serous carcinoma of tubo-ovarian origin (2026)
- Research on the application of a multi-model cascaded deep learning framework in the pathological diagnosis of osteosarcoma (2025 · 被引 4)
- Research on the application of a multi-model cascaded deep learning framework in the pathological diagnosis of osteosarcoma (2025 · 被引 3)
- Tumor therapeutics in the era of “RECIST”: past, current insights, and future prospects (2024 · 被引 15)