《Journal of Hematology & Oncology》：Emerging artificial intelligence advances in oncology: latest updates from the 2026 AACR annual meeting
编辑推荐：
2026年美国癌症研究协会(American Association for Cancer Research, AACR)年会上公布的进展凸显了肿瘤学领域人工智能(AI)模型正从独立单体向集成化、智能体(agentic)系统转变。诸如Synapse等平台可实现
2026年美国癌症研究协会(American Association for Cancer Research, AACR)年会上公布的进展凸显了肿瘤学领域人工智能(AI)模型正从独立单体向集成化、智能体(agentic)系统转变。诸如Synapse等平台可实现大规模数据协调，支持可互操作且可重复的研究。在此基础上，对话式及多智能体AI工具（如DrBioRight、GP CoPilot、Isabl AI Agent）允许通过自然语言与多模态癌症数据进行交互，降低了技术壁垒。用于真实世界数据(real-world data, RWD)转换的智能体框架——包括临床文档抽象、队列提取及社会健康决定因素(social determinants of health, SDOH)分析——展现出高准确率与可扩展性，同时自检(self-critical)系统提升了可靠性。在临床方面，AI经验证的影像生物标志物(imaging biomarkers)、增强的临床试验匹配(trial matching)及可扩展队列识别显示出日益增大的影响力。与此同时，多智能体系统正在加速治疗发现，包括CAR-T细胞开发及免疫治疗靶点鉴定。综上，上述进展将AI定位为癌症研究与精准肿瘤学(precision oncology)中积极的协作伙伴。
2026年AACR年会报道：肿瘤学中人工智能从独立模型向集成智能体系统的演进——论文解读
《Journal of Hematology & Oncology》刊载述评文章，对2026年美国癌症研究协会（American Association for Cancer Research, AACR）年会上发布的肿瘤学人工智能（Artificial Intelligence, AI）前沿进展进行归纳。传统肿瘤学AI应用多为孤立的预测模型，难以整合异源多模态数据、适配复杂临床研究流程，且存在"幻觉"、不可复现、技术门槛高等问题，限制其向临床与药物研发转化。2026年AACR年会集中展示了一种范式转变：AI正从被动分析工具演进为主动协作的集成化智能体（agentic）生态系统，涵盖数据基础设施、多智能体分析框架、临床转化及治疗发现等层面。研究人员通过对会议摘要与相关报告的梳理指出，以Synapse平台为基础的数据协调层，叠加基于检索增强生成（Retrieval-Augmented Generation, RAG）与自然语言接口的多智能体架构（如DrBioRight、GP CoPilot、Isabl AI Agent），可实现多组学与临床数据的低门槛交互；面向真实世界数据（real-world data, RWD）的智能体工作流能自动化完成临床文档抽象、队列提取及社会健康决定因素（social determinants of health, SDOH）时序感知抽取；引入自检（self-critical）与对抗验证机制（如Charles系统）可抑制大语言模型（Large Language Model, LLM）幻觉。临床上，深度学习影像生物标志物（如PanClaudinAI预测CLDN18.2表达）、LLM推理引导的试验入组匹配及自适应多智能体队列识别已进入验证阶段；治疗发现端，多智能体系统被应用于CAR-T抗原选择—毒性预测—分子设计协同管道及泛癌抗原发掘平台（ImmunoVerse-Chat）。研究结论认为，上述进展标志着AI成为肿瘤学研究中具自主性、可解释性与可复现性的协作伙伴，但其广泛部署仍需关注算法偏倚、人群代表性、隐私保护、多中心数据治理及人机监督。
研究人员主要通过文献综述与会议摘要汇编方式开展述评分析，关键方法要素包括：（1）依托Synapse平台实现PB级多中心癌症数据集协调与溯源追踪；（2）采用RAG、Model Context Protocol（MCP）及动态工作流编排构建对话式多智能体（DrBioRight、GP CoPilot、Isabl AI Agent）以交互多模态基因组—临床数据；（3）设计多智能体分工架构（检索/推理/校验/执行）完成RWD中队列提取、临床文书结构化抽象及SDOH时序抽取；（4）引入含对抗验证与迭代事实验证的自检智能体框架（Charles）提升LLM可靠性；（5）基于多中心前瞻性数据验证深度学习影像生物标志物（PanClaudinAI）及推理引导检索改善试验匹配；（6）搭建多智能体CAR-T开发管线（抗原筛选—毒性预测—分子理性设计）与ImmunoVerse-Chat免疫基因组推理界面。无独立患者样本队列，属会议进展汇总。
AI infrastructure and agentic systems for cancer research（肿瘤学研究中的AI基础设施与智能体系统）
研究人员指出，可扩展肿瘤学AI的基础是具备跨机构、跨模态异构数据整合能力的可互操作数据基础设施。Synapse等平台支持PB级数据集、标准化元数据模式、溯源追踪及细粒度访问控制，保障可复现性与多中心协作，为上层AI模型与分析管道提供基础。在此基础上，DrBioRight、GP CoPilot及Isabl AI Agent等对话式平台允许用户通过自然语言接口查询数据集、设计分析流程并执行计算任务，集成RAG、MCP协议与动态工作流编排，实现与多模态基因组和临床数据的无缝交互，降低生物信息学技术壁垒并加速假说生成。进一步，多智能体架构中专门化智能体分别承担数据检索、推理、校验与执行等离散任务，较单体系统更具鲁棒性与扩展性；应用于RWD时可自动化完成队列提取、临床文档抽象及SDOD时序感知抽取，达较高任务性能并减少人工投入。为提高可信度，Charles等自检框架通过对抗验证、约束数据环境及迭代事实验证缓解LLM幻觉，使AI系统更锚定于可验证数据。综上，此类基础设施与多智能体框架推动AI由单纯分析工具转向可自主参与肿瘤学研究流程编排的系统。
Clinical translation and therapeutic innovation（临床转化与治疗创新）
研究人员归纳，AACR报道的AI应用正从概念验证走向潜在临床实用工具。影像方面，PanClaudinAI在多中心前瞻性验证中证实，可基于增强CT无创预测胰腺癌CLDN18.2（Claudin 18.2 isoform）表达，有望在不行侵入性活检前提下辅助靶向治疗患者筛选并提升临床工作效率。临床运营中，智能体检索系统通过更好综合非结构化临床记录中的分散证据显著推进试验资格匹配（trial eligibility matching），较传统检索法在多标准复杂入组场景下提高准确率与召回率；自适应多智能体架构支持的自动化队列识别与RWD抽象可从异质数据集大规模提取结构化洞见，助力临床试验可行性评估与监管级真实世界证据生成。治疗发现方面，集成抗原选择、毒性预测与分子设计的多智能体CAR-T开发系统可缩短研发周期并降低失败风险；ImmunoVerse-Chat结合免疫基因组数据与推理驱动界面实现交互式泛癌抗原发现，有助于候选治疗靶点的高效优先级排序。研究人员总结，这些成果体现AI在桥接大规模数据产出与 actionable 临床/治疗洞察上的作用，但成功部署尚需应对算法偏倚、人群代表性、隐私保护、多机构数据资源治理及恰当人工监督等挑战。
讨论与结论翻译
2026年AACR年会彰显肿瘤学AI从孤立模型向跨越数据基础设施、分析及临床转化的集成化智能体生态系统的决定性转变。一个共同主题是：AI正演进为肿瘤学研究与诊疗中主动的协作者。基础设施平台（如Synapse）奠定可互操作多中心数据协调基础；对话式及多智能体AI工具（DrBioRight、GP CoPilot、Isabl AI Agent）借助RAG与MCP实现多模态癌症数据自然语言交互；面向RWD的智能体框架自动化临床文档抽象、队列提取及SDOH分析并展现高准确性与可扩展性，自检系统进一步提升可靠性；临床端，经验证的影像生物标志物（如PanClaudinAI预测CLDN18.2）、增强试验匹配及可扩展队列识别体现日益增长的影响力；并行地，多智能体系统加速CAR-T开发与免疫治疗靶点鉴定。综上，上述进展将AI确立为癌症研究与精准肿瘤学中活跃的协作伙伴。未来成功部署需审慎关注算法偏倚、人群代表性、隐私保护、多机构数据治理及适当人工监督。
