用途：生成用于 Meta 分析异质性诊断的径向图（又称 Galbraith Plot）。图中 X 轴为精度（Precision = 1/SE），Y 轴为标准化效应量（z = Effect / SE），散点为各研究，回归线过原点、斜率等于合并效应量，两侧虚线为 95% 置信带。无异质性时各点应落在置信带内并沿回归线分布；存在异质性时点会散落到置信带外。相比漏斗图，径向图通过标准化消除样本量差异影响，更易识别与总体效应不一致的研究并判断对称性。
主要能力：输入 CSV 数据，输出径向图 PNG 及数据 CSV；给出 I²、Tau²、Q 及自由度与 P 值、合并效应量及其区间，并统计落在 95% 置信带内/外的研究数与百分比，列出偏离研究及其精度、z 值与偏离方向。
使用方式：先按数据类型准备 CSV 列。二分类需 study、group1_Events、group1_sample_size、group2_Events、group2_sample_size；连续性需 study、group1_sample_size、group1_Mean、group1_SD 及对照组对应列；生存数据需 study、group1_HR、group1_95%Lower CI、group1_95%Upper CI。至少需 3 项研究。随后调用 Rscript scripts/radial_plot.R "<csv_path>" "<type>" "<outcome_name>" "<output_dir>"，type 取 Binary、Continuity 或 Survival。打包的可执行脚本路径为 scripts/radial_plot_backup.py。
依赖：Python 3.10+；R 包 meta、metafor、ggplot2，ggrepel 为可选；缺失时可安装 install.packages(c("meta", "metafor", "ggplot2", "ggrepel"))。第三方 Python 包版本未明确固定。
适用场景：需要结构化、可复现的 Meta 分析异质性图形诊断任务。
限制：缺少所需数据、标识、文件或凭据时不适用；不支持编造结果或超出范围结论。具体费用、平台支持范围与效果保证暂未提供。