AUA 2026：AI 和機器人都到了，但它們還沒見過面

621 篇摘要。這是 AI 與機器人手術在 AUA 2026 的合計足跡——231 篇 AI 加上 405 篇機器人，扣除 15 篇交集。對照一下：整場會議涵蓋泌尿科全領域共 3,200 篇摘要（1,835 篇有全文，其餘依標題與 session 資訊分類）。今年每五篇論文就有一篇碰到機器人或演算法。

AUA 現在有了專屬的 AI session——IP04——收錄 27 篇摘要。數量不大，但行政訊號很重要。它代表議程委員會判定 AI 不再是散落在其他 session 裡的零星好奇，而是一個類別。類別會拿到預算、講台時間和每年的固定邀請。同樣的事十年前發生在機器人手術身上，後來怎麼發展的我們都知道。

分佈說了第二個故事。AI 摘要群聚在影像、病理和臨床決策支援。機器人摘要群聚在技術、結果和平台比較。兩個群聚佔據同一棟建築裡的不同房間。它們共用一個會議中心，但不共用一份研究議程。這個分隔就是本篇報導接下來各節要追蹤的結構性觀察。

機器人手術這一區最顯眼的變化不是一項新技術，而是一場平台遷移。單孔機器人手術在這次會議產出 105 篇摘要，成為摘要數量最多的機器人子類別——數量已多於 robot-assisted radical prostatectomy（RARP，98 篇）。RARP 是泌尿機器人手術的旗艦術式，統治了整整二十年。不過，單孔的臨床適應症仍較窄，學習曲線也比多孔系統更陡。摘要數量上的超越反映的是一個領域已經走過「單孔到底行不行」的階段，現在在問「它能多快擴展」。

新進入者很重要。Hugo RAS——Medtronic 的機器人平台——出現在 12 篇摘要裡，屬於早期訊號，尚不構成採購決策的實證基礎，但已是第一批來自 da Vinci 正式競爭對手的有意義臨床數據。TOUMAI（MicroPort）貢獻 5 篇，Hinotori 再加 2 篇。這些都不會在一夜之間取代 Intuitive。但三個替代平台現在都在 AUA 上生成了同儕審查的數據，這件事本身就改變了在場每一個醫院採購委員會的談判位置。手術機器人的競爭談了十年，一直停在理論層面。現在它正在變成實證。

有一個比值比任何平台數字都更深刻。在全部 405 篇機器人手術摘要裡，outcomes 研究與 technique 描述的比例大約是二比一——228 對 135。（摘要數量反映的是研究興趣的規模，不等於證據品質。）一個主要發表 outcomes 的領域，已經通過了概念驗證階段。它不再爭辯機器人手術做不做得了。它在測量——跨機構、跨病人族群——做得多好。這個成熟標記在議程手冊裡很容易漏看。它是機器人這一區最重要的數字。

大型語言模型來到 AUA 的方式跟它們去到任何地方一樣——很快、很熱烈、沒有共同框架。51 篇摘要提到 GPT、LLM 或某個具名的大型語言模型。它們橫跨臨床決策支援、病理報告判讀、病患衛教素材產生、手術規劃輔助，以及 AI 生成建議中的偏見偵測。多數是單中心、概念驗證或回顧性基準測試。廣度令人印象深刻。深度不是。

多數研究遵循一個可辨識的模式：拿一個臨床問題，餵給 GPT-4 或同等模型，把輸出和專家共識或指引建議比對，報告一致率。另一個較小但正在成長的子群做的是反面——測試 LLM 在哪裡失敗、產生幻覺、或複製泌尿科照護中的既有偏見。這些侷限性研究可能比一致率論文更有價值，因為它們在畫一個工具的邊界，而不是它的最佳表現。但兩邊都沒有產出經過驗證的臨床部署。這次會議沒有任何摘要報告一個整合進即時臨床工作流程、附帶前瞻性結果數據的 LLM。

這個缺席不是失敗。它是一個時間戳。這個領域還在問問題的階段，不在出貨答案的階段。51 篇摘要說泌尿科在關注 LLM。零個驗證部署說它還沒想清楚要拿它們來做什麼。注意力和實作之間的落差，就是接下來兩年的工作會——或者不會——發生的地方。

這裡有一個數字應該讓兩邊陣營的人都坐不住。在這次會議的 231 篇 AI 摘要和 405 篇機器人手術摘要裡，只有 15 篇坐在嚴格交集——涵蓋結果預測、手術紀錄分析或手術階段辨識等 AI 方法與機器人手術同時出現的研究。621 篇裡面的 15 篇，佔合計足跡的 2.4%。手術科技中最自然的配對——智慧軟體引導精密硬體——在這份議程上幾乎沒有存在感。

Computer vision 總共 23 篇摘要，其中多數涉及的是診斷影像而非術中手術引導。Training 與 learning curve 文獻規模更大——44 篇摘要——也是 AI 整合最肥沃的土壤。自動化手術技能評估、已錄製手術的階段辨識、學習曲線完成的預測模型，這些在技術上今天都做得到。少數幾篇摘要有探索。但 AUA 2026 的標準 training 研究，仍然使用人類指導教師、主觀評分、回顧性病例審查。AI 工具存在。訓練管線還沒採用它們。

這個模式在每一個機器人次專科都重複。Robotic partial nephrectomy（47 篇摘要）可以受益於 AI 輔助的腫瘤分割與灌流圖像。Robotic cystectomy（32 篇摘要）可以用自動化淋巴結辨識。單孔手術——成長最快的類別——可以利用即時器械追蹤來補償自由度減少的限制。每一種情況裡，電腦科學的論文都已經發表了。外科的應用沒有。這不是技術落差。這是工作流程整合的落差。許多演算法展現了有前景的單中心結果。開刀房還沒給它們留位子。

AUA 2026 講了一個故事：兩項技術在同一棟房子裡長大，卻沒有交談。機器人手術已經成熟——以結果為導向、多平台、正從旗艦術式擴展，單孔成為最受關注的子類別。AI 正在到來——231 篇摘要、一個專屬 session、LLM 正在產生真實的研究興趣。但交集近乎空白。621 篇裡的 15 篇不是一個小缺口。是一個結構性的落差。

原因比數字更重要。機器人手術醫師發表的是他們用現有工具能測量到的東西。AI 研究者發表的是他們在現有資料集上能展示的東西。兩邊都沒有建好基礎設施，把一個演算法放進即時手術工作流程、然後測量結果。瓶頸不是演算法性能——手術階段辨識的 computer vision 模型在研究環境裡已經有很高的準確率。瓶頸是工作流程整合：從機器人到模型的資料管線、術中 AI 的法規許可、即時決策支援的機構審查，以及外科醫師對他們沒親手訓練的系統的信任。

這個整合層——把經過驗證的 AI 工具連接到需要它們的手術工作流程——就是泌尿科創新下一階段會贏或會輸的地方。AUA 2026 展示了一個同步採用兩種技術的專科。它同時也展示了一個尚未問自己那個困難問題的專科：要讓它們一起運作，需要什麼？工具都在這棟大樓裡了。接線還沒有。這就是前方的工作。