AACR 2026：AI 在癌症研究中出現在哪裡

在讀任何一份摘要之前，我們先把它們數了一遍。AACR 2026 共發表 7,066 份摘要，索引在 4,001 個 keyword 之下。最常出現的 keyword 是 tumor microenvironment（腫瘤微環境），有 545 份摘要使用；接著是 breast cancer（453）、antibody-drug conjugate（387）、immunotherapy（341）、biomarkers（340）。這些是癌症研究者今年在處理的事。

我們想指的數字在排行的更後面。「Machine learning」出現在 189 份摘要——全榜第 9。這把它放在 metastasis（186）、drug resistance（146）、combination therapy（137）的前面。再加上 bioinformatics（163）、single cell（165）、multiomics（150），運算方法已經落在大約四分之一的摘要裡。

光看這個，並不算什麼新聞。AI 在 AACR 已經出現很多年。今年不同的是，它已經不需要替自己宣傳。Machine learning 不再是論文的賣點；它是論文站立的地基。從「一些人在用的方法」變成「大家都在用的方法」，這是這次很安靜但很關鍵的變化。

AACR 替每份摘要打 topic code。其中三個 code——都在 BCS（Biostatistics, Bioinformatics, and Computational Sciences）家族下面——很乾淨地告訴我們：在這些地方，運算工作已經是研究的中心，不是論文最後加上的工具。

BCS01-02「Application of bioinformatics to cancer biology」涵蓋 143 份摘要，是技術方法類 topic 裡最大的一塊。單一最大的摘要 block 是 4 月 19 日（會議第一個整天）一場 30 場 poster 的 session。位置已經變了：bioinformatics 不再是從旁邊支援 wet-lab，它就是問題本身的所在地。

BCS01-04「Digital pathology」涵蓋 61 份摘要。有意思的點不是病理使用神經網絡——那已經是舊聞——而是問題本身已經往前走了。大家不再問「模型能不能讀這張切片」，他們在問怎麼跨醫院系統部署、怎麼在跟訓練集長得不一樣的病人身上驗證、怎麼在資料漂移時讓它持續可用。

BCS01-06「Integrative computational approaches」再加 60 份摘要，加上 4 月 20 日的一場 29 場 poster 的 session block。多數論文在融合不同類型的資料：genomics 結合 imaging、single cell 結合 bulk、spatial 結合 longitudinal。這裡的數學不在做 statistics——它在做翻譯：把資訊在不同格式之間搬動，讓模型可以一次看見整個病人。

去年，foundation models 在癌症研究還只是邊角——幾張 plenary 投影片、幾份散落在 computational session 裡的摘要。今年，它們有了自己的 symposium。

這是一場 Major Symposium，名字叫做「Shaping the Future of AI: The Role of Pathology in the Development of Foundational Models」。連命名本身就值得讀：病理切片正在被定位成癌症生物學大型視覺模型的首選訓練資料。AbstractsOnline 把這場 symposium 對應到一個 16 場 presentation 的 Molecular Pathology block。

Symposium 等級的編排值得仔細解讀。它代表議程委員會已經判定：foundation models 不再是眾多方法中的一個，而是一個必須有自己會議室的類別。這就是這一年最值得記下的轉變。下一年要看的訊號是：同樣的待遇會不會擴及多模態模型——把影像、組學、臨床文字一起融合的那種。

計算缺席比計算存在更難、也更容易判錯。我們把搜尋限制在「技術上本來該會出現的 keyword」，並讀周邊 session 標題作為 context。在這份謹慎下，有三類 AI 工作幾乎完全缺席於這次會議。

AI agent 在研究工作流上的應用。過去一年裡，language-model agent 已經在實驗室和文獻 review 變成可用工具。但整份議程幾乎沒有摘要把 AI 框定成 autonomous research workflow。「Copilot」和「agent」確實出現了——但是在治療語境下（therapy context），不是方法論。這類工作正在發生，它只是還沒進到會場。

AI 在臨床試驗設計上的應用。FIH dose finding、biomarker-driven basket selection、adaptive randomization。biomarker 和 clinical trial 的場次都很強——但設計層本身仍然多半是傳統統計。考慮到今年腫瘤學 first-in-human 活動的量，這個缺席最讓我們意外。

AI 在法規科學與上市後監測上的應用。少數政策相關的 forum 有觸及，但方法論工作——稽核模型、藥物上市後的 drift monitoring、為適應症擴增驗證 real-world evidence——很薄。這個缺口是整個領域共有的。AACR 有空間把它領出來。

把整張地圖讀成一句話：AACR 2026 告訴我們，AI 在癌症研究裡已經穩定成為一種「做事的方法」，但還沒成為一種「組織事情的方法」。方法已經到處都是；用這些方法去跑研究、設計試驗、治理部署的 workflow，多半還不在這裡。這個落差，我們認為是這次會議最值得帶走的長期觀察。

這也正是 Apex AI Institute 藥物開發線所在的位置。Pillar 1 在做的事——agent-based first-in-human scout 系統、早期腫瘤試驗的 computational landscape——剛好坐在議程留下的這個空白裡。後續的 briefing 我們會寫這些系統。承載這篇文章的這個會議報導模板，也會繼續承載它們。