AACR 2026：AI 在癌症研究中出现在哪里

在读任何一份摘要之前，我们先把它们数了一遍。AACR 2026 共发表 7,066 份摘要，索引在 4,001 个 keyword 之下。最常出现的 keyword 是 tumor microenvironment（肿瘤微环境），有 545 份摘要使用；接着是 breast cancer（453）、antibody-drug conjugate（387）、immunotherapy（341）、biomarkers（340）。这些是癌症研究者今年在处理的事。

我们想指的数字在排行的更后面。「Machine learning」出现在 189 份摘要——全榜第 9。这把它放在 metastasis（186）、drug resistance（146）、combination therapy（137）的前面。再加上 bioinformatics（163）、single cell（165）、multiomics（150），运算方法已经落在大约四分之一的摘要里。

光看这个，并不算什么新闻。AI 在 AACR 已经出现很多年。今年不同的是，它已经不需要替自己宣传。Machine learning 不再是论文的卖点；它是论文站立的地基。从「一些人在用的方法」变成「大家都在用的方法」，这是这次很安静但很关键的变化。

AACR 给每份摘要打 topic code。其中三个 code——都在 BCS（Biostatistics, Bioinformatics, and Computational Sciences）家族下面——很干净地告诉我们：在这些地方，运算工作已经是研究的中心，不是论文最后加上的工具。

BCS01-02「Application of bioinformatics to cancer biology」涵盖 143 份摘要，是技术方法类 topic 里最大的一块。单一最大的摘要 block 是 4 月 19 日（会议第一个整天）一场 30 场 poster 的 session。位置已经变了：bioinformatics 不再是从旁边支援 wet-lab，它就是问题本身的所在地。

BCS01-04「Digital pathology」涵盖 61 份摘要。有意思的点不是病理使用神经网络——那已经是旧闻——而是问题本身已经往前走了。大家不再问「模型能不能读这张切片」，他们在问怎么跨医院系统部署、怎么在跟训练集长得不一样的病人身上验证、怎么在数据漂移时让它持续可用。

BCS01-06「Integrative computational approaches」再加 60 份摘要，加上 4 月 20 日的一场 29 场 poster 的 session block。多数论文在融合不同类型的数据：genomics 结合 imaging、single cell 结合 bulk、spatial 结合 longitudinal。这里的数学不在做 statistics——它在做翻译：把信息在不同格式之间搬动，让模型可以一次看见整个病人。

去年，foundation models 在癌症研究还只是边角——几张 plenary 幻灯片、几份散落在 computational session 里的摘要。今年，它们有了自己的 symposium。

这是一场 Major Symposium，名字叫做「Shaping the Future of AI: The Role of Pathology in the Development of Foundational Models」。连命名本身就值得读：病理切片正在被定位成癌症生物学大型视觉模型的首选训练数据。AbstractsOnline 把这场 symposium 对应到一个 16 场 presentation 的 Molecular Pathology block。

Symposium 等级的编排值得仔细解读。它代表议程委员会已经判定：foundation models 不再是众多方法中的一个，而是一个必须有自己会议室的类别。这就是这一年最值得记下的转变。下一年要看的信号是：同样的待遇会不会扩及多模态模型——把影像、组学、临床文字一起融合的那种。

计算缺席比计算存在更难、也更容易判错。我们把搜索限制在「技术上本来该会出现的 keyword」，并读周边 session 标题作为 context。在这份谨慎下，有三类 AI 工作几乎完全缺席于这次会议。

AI agent 在研究工作流上的应用。过去一年里，language-model agent 已经在实验室和文献 review 变成可用工具。但整份议程几乎没有摘要把 AI 框定成 autonomous research workflow。「Copilot」和「agent」确实出现了——但是在治疗语境下（therapy context），不是方法论。这类工作正在发生，它只是还没进到会场。

AI 在临床试验设计上的应用。FIH dose finding、biomarker-driven basket selection、adaptive randomization。biomarker 和 clinical trial 的场次都很强——但设计层本身仍然多半是传统统计。考虑到今年肿瘤学 first-in-human 活动的量，这个缺席最让我们意外。

AI 在法规科学与上市后监测上的应用。少数政策相关的 forum 有触及，但方法论工作——审计模型、药物上市后的 drift monitoring、为适应症扩增验证 real-world evidence——很薄。这个缺口是整个领域共有的。AACR 有空间把它领出来。

把整张地图读成一句话：AACR 2026 告诉我们，AI 在癌症研究里已经稳定成为一种「做事的方法」，但还没成为一种「组织事情的方法」。方法已经到处都是；用这些方法去跑研究、设计试验、治理部署的 workflow，多半还不在这里。这个落差，我们认为是这次会议最值得带走的长期观察。

这也正是 Apex AI Institute 药物开发线所在的位置。Pillar 1 在做的事——agent-based first-in-human scout 系统、早期肿瘤试验的 computational landscape——刚好坐在议程留下的这个空白里。后续的 briefing 我们会写这些系统。承载这篇文章的这个会议观察模板，也会继续承载它们。