AAI Internal Wiki

醫療腫瘤 — 我學到了什麼

閱讀時間約 24 分鐘

醫療腫瘤 — 我學到了什麼

這裡記錄我在「腫瘤醫學、女性泌尿（BOO）、FIH oncology、頭頸癌、bispecific/ADC、TURP」累積的學習。 每段話末尾的 [📎 source] 可反查到原始 obs / insight / memory / AAI wiki。

為什麼這個 topic 存在

(待累積足夠材料後人工撰寫；目前先 append 每日 delta)

每日累積

2026-05-02（2 段，11 個引用 source）

☕ 今天的共同線索很簡單：一個知識系統最危險的時候，不是它什麼都不知道，而是它知道很多、講得很漂亮，卻還沒把「臨床路徑」和「資料邊界」講清楚。HNSCC wiki 與 FIH Scout 都在提醒同一件事：聰明的敘事要能被查核，聰明的資料庫要承認自己看不到哪裡。

一、HNSCC wiki 的問題不是不夠聰明，而是還沒把醫師每天走的路畫出來

今天 HNSCC 知識庫最有趣的地方，不是它缺資料；剛好相反，它資料多到像一個很會聊天的同事，AACR 2026 的 358 篇 HNSCC 摘要、61 個 首次人體試驗（First-in-Human, FIH，就是藥物第一次進入人體測試的早期臨床研究）、ADC、T-cell engager、ctDNA、saliva fragmentome 都可以講得很順。問題是，臨床決策不是逛展場，也不是看一張漂亮的 pipeline 地圖；它更像門診看診，病人一坐下來，你要先知道現在在哪一站：手術前、術後高風險、同步放化療、復發轉移一線、還是 checkpoint-refractory。GPT-5.5 audit 給了整體 7/10，這個分數其實很公平：敘事很強，但缺少 standard-of-care treatment algorithms，少了 surgery、RT、cisplatin、KEYNOTE-048、CheckMate-141 這種臨床醫師腦中每天走的路線圖。這毫無疑問代表，wiki 不再等同於「把新藥講清楚」；它必須把新藥放回病人真正會經過的岔路口。

最戲劇化的證據，是 RTOG 1016 的五年 OS 數字修正。原本 cetuximab arm 被寫成 70.3%，後來改回 77.9%，對照 cisplatin arm 的 84.6%，HR 1.45。這不是小數點美化問題，而是地圖上把一條路畫錯的問題：RTOG 1016 告訴我們，在 HPV+ oropharyngeal cancer 裡，cetuximab + RT 不能取代 cisplatin + RT；如果 wiki 把這個 landmark trial 的數字講錯，後面再華麗的 EGFR narrative 都會晃。另一個同樣關鍵的缺口，是 biomarker decision tree：TP53、PIK3CA、NOTCH1、TMB/MSI、NTRK、EBV DNA/NPC differentiation 不是名詞收藏，而是決定什麼時候送檢、何時轉介 trial、哪個病人不該被一般 HNSCC 框架吞掉的路標。換句話說，生物標記（biomarker, 能幫忙分類風險或預測治療反應的可測量訊號）只有在連到下一個動作時，才真正進入臨床。

結論是，HNSCC wiki 的下一步不該只是再多塞十個 molecule，而是把「漂亮故事」接上「可執行路徑」。就像一間餐廳菜單可以寫得很迷人，但廚房動線如果沒排好，出菜還是會亂；臨床 wiki 也是如此，機制、trial、biomarker 都要能回到一個病人的下一步選擇。這個 dynamics 也見於 grant writing：proposal 寫得熱血不夠，reviewer 要看到的是 required section 裡能被查核、能被執行、能被追蹤的路徑。

📎 sources: obs-64752 · obs-64759 · obs-64765 · obs-64767 · aai-hnscc-wiki-hnscc-reference-zh 📚 references:

  • Burtness, B. et al. (2019) “Pembrolizumab alone or with chemotherapy versus cetuximab with chemotherapy for recurrent or metastatic squamous cell carcinoma of the head and neck (KEYNOTE-048): a randomised, open-label, phase 3 study.” Lancet 394(10212):1915-1928.
  • Gillison, M. L. et al. (2019) “Radiotherapy plus cetuximab or cisplatin in human papillomavirus-positive oropharyngeal cancer (NRG Oncology RTOG 1016): a randomised, multicentre, non-inferiority trial.” Lancet 393(10166):40-50.
  • Vermorken, J. B. et al. (2008) “Platinum-based chemotherapy plus cetuximab in head and neck cancer.” New England Journal of Medicine 359(11):1116-1127.

🔗 延伸：HNSCC Pipeline 全景報告

二、FIH Scout 最重要的發現，是資料庫很會算，但它只會算自己看得到的世界

FIH Scout 的 site intelligence 看起來很像一台很厲害的跑車：它可以把 107 個 ADC FIH、127 個 bispecific FIH 拆成 operational model，告訴你 ADC 像大部隊，平均 17 個 sites、222 位病人、失敗率 3.7%；bispecific 像精銳突擊隊，平均 12 個 sites、131 位病人、35% 是 single-site trial，失敗率 7.9%。它也能把 site startup lag 算到很細，像 START San Antonio 21 天、NEXT Virginia 87 天、MD Anderson 187 天，而 MSK 618 天、City of Hope 686 天。這些數字很有 BD 價值，因為藥廠找 site 不是找名氣最大的人，而是找能把第一個病人安全、穩定、快速送進 trial 的團隊。啟動延遲（startup lag, trial 登記到第一位病人收案之間的時間）在這裡就像餐廳從客人點餐到第一道菜上桌的時間；名店如果等太久，商業上也會痛。

但今天真正的教訓，是這台跑車的後照鏡有盲點。R7/R8 分析反覆撞到 name normalization mismatch：同一個 MD Anderson，在 canonical_name join 裡是 187 天，在 v10 native name 裡又出現 48 天；很多 European 與 Asian sites 明明有高 FIH trial count，卻因為 AACT state transition tracking 不完整而出現 N/A。更大的盲點，是 bispecific 的 Phase 3 gap：資料庫原本因為 is_fih_subset 只收 Phase 1/FIH，於是 2025-2026 啟動的至少 6 個 Phase 3 bispecific trials 沒進來，包括 tarlatamab、BNT327、AZD0486、JNJ-79635322、linvoseltamab、QL1706。這毫無疑問把「沒有進 Phase 3」這種結論變成危險句子；它不再等同於市場事實，而只是「目前這個資料管線沒有收進來」。就像用門診候診名單推論整個城市的疾病盛行率，算得再精準，也只是在算來你門診的人。

所以 FIH Scout 的下一版重點不是再多做一張 ranking table，而是把資料邊界寫在每個判斷旁邊：哪些 metric 來自 FIH subset，哪些需要 Phase 2/3 backfill，哪些 site 因 name matching 可能被拆成兩個人影，哪些 non-US site 因 AACT coverage 低而不能直接判斷慢或不穩。這不是削弱系統，反而是讓系統可信；因為在 oncology BD 裡，最值錢的不是「看起來什麼都知道」的資料庫，而是會告訴你「這個答案目前只能信到哪裡」的資料庫。同 dynamics 也見於 clinical AI：模型 AUC 很高不夠，臨床團隊真正想知道的是它在哪些族群、哪些流程、哪些資料缺口下會失手。

📎 sources: obs-64903 · obs-64905 · obs-64906 · obs-64912 · obs-64914 · memory-fih-bispecific-phase3-gap 📚 references:

  • U.S. Food and Drug Administration. (2024) Optimizing the Dosage of Human Prescription Drugs and Biological Products for the Treatment of Oncologic Diseases: Guidance for Industry.
  • U.S. Food and Drug Administration. (2024) Clinical Pharmacology Considerations for Antibody-Drug Conjugates: Guidance for Industry.
  • Yuan, Y., Hess, K. R., Hilsenbeck, S. G., and Gilbert, M. R. (2016) “Bayesian optimal interval design: a simple and well-performing design for phase I oncology trials.” Clinical Cancer Research 22(17):4291-4301.
  • Goodhart, C. A. E. (1975) “Problems of Monetary Management: The U.K. Experience.” Reserve Bank of Australia Papers in Monetary Economics 1.

🔗 延伸：Three Modern FIH Platforms Compared

2026-05-03（2 段，18 個引用 source）

☕ 今天的共同線索很像把一堆散在桌上的報告收成兩杯濃縮咖啡：HNSCC briefing 教我，資料多不等於判斷清楚；FIH Scout 教我，資料庫變強不等於邊界消失。真正值錢的，是把系統看見什麼、看不見什麼、下一步該怎麼做講到別人能立刻用。

一、HNSCC briefing 的進步不是多寫一篇報告，而是把 landscape 逼成可以下判斷的三個 insight

今天 HNSCC 這條線最有趣的地方，是它從「我有很多資料」跨到「我知道哪些資料真的會改變 CEO 的想法」。一開始只是找到四份 AACR conference-data.md，像在廚房翻出一整櫃食材；很快又發現 AAI website 其實已經有一篇完整的 AACR 2026 HNSCC article，涵蓋 358 篇 abstracts，其中 317 篇是 therapeutics，占 88.5%。這時候再做一份傳統 landscape overview，就像朋友已經點了一桌菜，你又端上一盤一樣的炒飯。真正的轉向，是選擇 Insight-Led Briefing（以洞見組織的簡報，不按 modality 分類，而按「會改變決策的結論」分類），把 briefing 改成 One-Page Verdict、三個 non-obvious insights、competitive landscape table、watch list 和 molecule fact sheets。

這毫無疑問是 knowledge work 的成熟點：報告不再等同於把 ADC、bispecific、biomarker、AI pathology 全部排整齊，而是要敢說「哪個假設被打破」。生成出的 HNSCC intelligence briefing 用 "What's New / So What / What's Next" 框架，把三件事放到前面：EGFR targeting（針對 EGFR 訊號路徑的治療策略）因 IL-1α microenvironment protection 而不再只是下一代 TKI 的線性改良故事；checkpoint failure 被拆成 deep exhaustion、cold tumor、absent priming 三種不同壞法；biomarker infrastructure 雖然有 ctDNA、salivary fragmentome、spatial transcriptomics、AI pathology 等五種 validated modalities，卻在 FIH enrollment usage 上出現 zero adoption gap。這種寫法像門診問病史：不是把所有症狀背完，而是抓出最會改變處置的那三個問題。

更關鍵的是，這份 briefing 後來沒有停在 markdown。它走完 database query、FIH Scout schema join、40 個 HNSCC FIH trials appendix、bilingual JJTI version、landscape DOCX、embedded visualization、Google Drive deployment，甚至重構成 direct python-docx builder，讓 hero numbers、gold callout、table widths 和 figure placement 可以被精準控制。結論是，strategic briefing 的交付物不再只是「內容正確」，而是內容、格式、可分享性、可更新性一起變成 decision infrastructure。同 dynamics 也見於 grant writing：reviewer 不只看你有沒有資料，而是看資料能不能在指定格式裡變成可評分的判斷。

📎 sources: obs-64971 · obs-64974 · obs-64977 · obs-64979 · obs-64980 · obs-65003 · obs-65004 · obs-65001 · obs-65005 · obs-65019 · obs-65020 · obs-65021 📚 references:

  • Kuhn, T. S. (1962) The Structure of Scientific Revolutions. University of Chicago Press.
  • Tversky, A., & Kahneman, D. (1974) “Judgment under Uncertainty: Heuristics and Biases”. Science 185(4157):1124-1131.
  • Burtness, B. et al. (2019) “Pembrolizumab alone or with chemotherapy versus cetuximab with chemotherapy for recurrent or metastatic squamous cell carcinoma of the head and neck (KEYNOTE-048): a randomised, open-label, phase 3 study”. Lancet 394(10212):1915-1928.
  • Gillison, M. L. et al. (2019) “Radiotherapy plus cetuximab or cisplatin in human papillomavirus-positive oropharyngeal cancer (NRG Oncology RTOG 1016): a randomised, multicentre, non-inferiority trial”. Lancet 393(10166):40-50.

🔗 延伸：AACR 2026 Briefings · HNSCC Pipeline 全景報告

二、FIH Scout 真正變強，是它開始補自己的盲點，而不是假裝 FIH subset 就是全世界

FIH Scout 這天的故事，像是你原本用一張門診清單推估整個城市的疾病，後來終於承認「這張清單很好，但它不是城市」。先前的 database 已經能說出 1177 個 FIH trials（First-in-Human trials，第一次進入人體測試的臨床試驗），其中 107 個 ADC FIH 和 127 個 bispecific FIH；ADC 平均 17.1 個 sites、222 enrollment，failure rate 3.7%（4/107 withdrawn 或 terminated），bispecific 平均 11.7 個 sites、131 enrollment，failure rate 7.9%（10/127），等於 bispecific 失敗率約 2.14 倍。這些數字很好用，因為它們把 operational reality 講得很白：ADC 像大車隊，bispecific 像較小但更容易翻車的車隊。

但今天真正的轉折，是 supplement pipeline 把早先的 Phase 3 gap 當成系統問題處理，而不是當成一句註解放過去。repository 位置先被校正回 ~/Projects/oncology-fih-research，接著 history 顯示 22 rounds PSCC（Pseudo-Systematic Claim Challenge，一種反覆挑戰量化宣稱的審核流程）已經抓過 site fragmentation、subsetting bias、sponsor-mix confounding 和 ecological fallacy。新 ETL 用 12 個 targeted queries 抓 ADC/bispecific trials，取得 706 unique trials，插入 470 net-new trials，並把 326 個既有 trials 回填 mechanism tags。資料庫因此從 321 ADC + 205 bispecific 擴到 449 ADC + 403 bispecific，coverage verification 達 96.4%（54/56 GPT-5.5 checklist drugs）。這毫無疑問代表，FIH Scout 不再等同於一個查詢工具；它變成會反省自己採樣框的 intelligence system。

最漂亮的地方，是補洞之後產生的 insight 也變得更接近商業判斷。15-round analysis 產出 900-line ADC/bispecific landscape report，指出 ADC 是 US-dominated game，bispecific 是 Europe-dominated game，Korean trio（Asan、Seoul、Samsung）像三個反覆出現在好路線上的轉運站，Mayo Clinic 則是 white space：176 trials、157-day lag、但只有 2 個 FIH。170 個 dual-modality sites 也被辨識為 product moat，因為它們同時理解 ADC 與 bispecific 的不同操作節奏。結論是，好的資料庫不是把答案講得更大聲，而是把答案旁邊的盲點補起來，再把可行動的差異講清楚。同 dynamics 也見於 hospital quality dashboards：KPI 本身不夠，真正有用的是知道哪些 KPI 會漏掉病人流程中的關鍵摩擦。

📎 sources: obs-65065 · obs-65066 · obs-65070 · obs-65072 · obs-65074 · obs-65078 📚 references:

  • Goodhart, C. A. E. (1975) “Problems of Monetary Management: The U.K. Experience”. Reserve Bank of Australia Papers in Monetary Economics 1.
  • Campbell, D. T. (1979) “Assessing the impact of planned social change”. Evaluation and Program Planning 2(1):67-90.
  • Fellegi, I. P., & Sunter, A. B. (1969) “A Theory for Record Linkage”. Journal of the American Statistical Association 64(328):1183-1210.
  • U.S. Food and Drug Administration. (2024) Optimizing the Dosage of Human Prescription Drugs and Biological Products for the Treatment of Oncologic Diseases: Guidance for Industry.
  • U.S. Food and Drug Administration. (2024) Clinical Pharmacology Considerations for Antibody-Drug Conjugates: Guidance for Industry.

🔗 延伸：Three Modern FIH Platforms Compared

2026-05-04（2 段，21 個引用 source）

☕ 今天的共同線索是：醫學知識真正變成可用，不是因為資料更多、投影片更漂亮、稿件更厚，而是因為它開始替使用者畫出下一步。resident 要知道下一個臨床決策，reviewer 要知道資料邊界，submission package 要讓第三方能查、能重跑、能相信。

一、前列腺癌教學不再等同於 guideline 摘要，而是把住院醫師帶到真正會卡住的岔路口

今天 advanced prostate cancer lecture 最有意思的地方，不是完成一份 36 張投影片、50 分鐘、SAPA/Apple 風格的漂亮 deck；漂亮只是外衣，真正的骨架是把住院醫師腦中的路線圖重新排好。疾病狀態（disease state, 先判斷病人站在 mCSPC、nmCRPC、mCRPC 或 NEPC 哪一站）被放在最前面，因為前列腺癌治療不是看到 PSA 上升就開始背藥名，而是像值班時先分辨「這是尿滯留、脊髓壓迫、疼痛危機，還是骨髓抑制」一樣，先把問題放進正確抽屜。deck 把 mCSPC intensification、mCRPC sequencing、biomarker testing、emergency management、toxicity monitoring 串成四個 teaching parts，並用 ARANOTE、ARASENS、PSMAfore、TALAPRO-2 的原始 trial figure 截圖支撐判斷；這毫無疑問讓教學不再等同於 guideline 條文整理，而是變成 resident 可以拿來查房、急診、門診追蹤的 decision path。

更深一層看，這份 deck 把「現在怎麼治」和「下一代治療為什麼長這樣」接在一起。AACR 2026 materials 裡的 AZD9750 + capivasertib、JSB462、212Pb-PSMA、PSMA/STEAP1 dual-target ADC，不是拿來炫 pipeline 的新名詞，而是在告訴住院醫師抗藥性如何逼著藥物開發換打法。AR degrader（Androgen Receptor degrader, 不是只阻斷 AR 訊號，而是試圖把受體本身降解掉）對應 ARPI resistance；PSMA theranostics（Prostate-Specific Membrane Antigen theranostics, 用同一個靶點做影像與治療）對應影像分期與 radioligand sequencing；雙靶點 ADC（dual-target antibody-drug conjugate, 用抗體把細胞毒 payload 帶到兩個抗原訊號上）則對應腫瘤異質性。這些概念如果只排成「新藥清單」，resident 很快就會忘；但如果先講成「癌細胞一直換鎖，所以治療也不能只帶一把鑰匙」，它就會回到臨床推理。

所以這份教學真正成熟的地方，是它把 evidence slide 設計成「圖 + 三句臨床解讀」，而不是把 paper screenshot 當裝飾。ARANOTE 的 rPFS、ARASENS 的 OS、PSMAfore 的 OS、TALAPRO-2 的 rPFS 被放進可教的節奏裡；支援性照護也沒有被擠到最後一頁，而是把 bone health、cardiovascular monitoring、falls/cognition、sexual health 放回 longitudinal care。結論是，好的 oncology education 不再等同於「你知道哪些 trial」，而是「你知道病人下一步為什麼要這樣走」。同 dynamics 也見於 surgical training：會背術式名稱不夠，真正能上刀的是知道哪個解剖平面、哪個出血點、哪個 complication 會在下一分鐘出現。

📎 sources: obs-65370 · obs-65383 · obs-65390 · obs-65393 · obs-65396 · obs-65402 · memory-advanced-prostate-cancer-care-2026-sapa 📚 references:

  • Smith, M. R. et al. (2022) “Darolutamide and Survival in Metastatic, Hormone-Sensitive Prostate Cancer”. New England Journal of Medicine 386(12):1132-1142.
  • Sartor, O. et al. (2021) “Lutetium-177-PSMA-617 for Metastatic Castration-Resistant Prostate Cancer”. New England Journal of Medicine 385(12):1091-1103.
  • Fizazi, K. et al. (2017) “Abiraterone plus Prednisone in Metastatic, Castration-Sensitive Prostate Cancer”. New England Journal of Medicine 377(4):352-360.
  • Tversky, A., & Kahneman, D. (1974) “Judgment under Uncertainty: Heuristics and Biases”. Science 185(4157):1124-1131.

🔗 延伸：Advanced Prostate Cancer Care 2026 SAPA Deck

二、FIH manuscript 的主角不是資料量，而是承認 cohort 邊界後仍能說出有用判斷

FIH/JHO manuscript 這條線像一台一邊修引擎、一邊準備上路的車。最早的問題看起來很 technical：Rscript 用 sys.frame(1)$ofile 找路徑會壞、R 的 httr 因 libldap.2.dylib 不能載入、ClinicalTrials.gov API 大 payload 會 timeout、sponsor 欄位有時是 list 有時是 atomic vector。但這些小故障串起來，其實是一個更大的 mental model：可重現性（reproducibility, 別人能用同一套資料來源與程式重建結果）不是 Methods 裡一句漂亮話，而是每個 API request、cache、pagination、field filter、type check 都不能在半路偷偷倒下。最後 pipeline 從 14 個 FIH / dose-related search terms 抓到 21,096 raw records，deduplicate 成 9,869 unique trials，並記錄 ClinicalTrials.gov API version 2.0.5 與 dataTimestamp 2026-05-01T09:00:05；這些數字讓稿件有地基，不只是有故事。

但今天最重要的轉折，是 harsh review 把「有地基」和「足以投稿 IF~40」分開了。Claude Opus 4.7 review 給 41/100，最致命的點不是圖不漂亮，而是 title/abstract 說 首次人體試驗（First-in-Human, FIH，就是第一次進入人體測試的臨床研究），可是 9,659-trial cohort 裡只有 1,004 個 strict FIH，占 10.4%；broader FIH-enriched subset 是 4,883 個，占 50.6%，包含 dose-finding、MTD、RP2D 等可能不是第一個人體暴露的研究。這毫無疑問代表，FIH 不再等同於「所有早期 phase 1 oncology」；如果主要表格都報 full cohort，卻用 FIH 當故事招牌，reviewer 會覺得菜單寫 omakase，端上來卻是一整桌 buffet。後續修正從 82/100 review、90/100 metadata readiness、hematologic oncology subsection，到加入 Merck oncology co-author，本質上都在補同一件事：讓 claim、cohort、journal fit、author expertise 對齊。

最值得留下的教訓，是 manuscript submission package 其實也是一種 clinical pathway。它有 triage：先處理會硬擋 submission portal 的 email、ORCID、affiliation；它有 differential diagnosis：FIH title mismatch、single-author credibility gap、keyword-only method、hematology fit 不足、site consistency circularity；它也有 discharge checklist：STROBE checklist、keyword-rule table、DOI/reference validation、bilingual DOCX、7 figures、cover letter、clean 7 MB ZIP。後來 Dr. Jianda Yuan 的 co-author affiliation 從 Head & Neck Late Oncology Product Development Team 修到 Late Oncology Clinical Development, Merck Research Lab，並確認 English/Chinese DOCX 都沒有舊字串殘留，這不是行政小事，而是讓 reviewer 看到 phase I oncology operational expertise 真的進入作者結構。結論是，好的 registry paper 不再等同於「我查到很多 trial」，而是「我知道哪些 trial 屬於哪個問題，哪些結論只能講到哪裡」。同 dynamics 也見於 clinical AI deployment：模型可以很準，但如果 denominator、validation set、intended-use population 沒講清楚，準確率反而會變成最危險的幻覺。

📎 sources: obs-65254 · obs-65256 · obs-65258 · obs-65272 · obs-65302 · obs-65306 · obs-65387 · obs-65391 · obs-65447 · obs-65495 · obs-65502 · obs-65503 · obs-65527 · memory-fih-fact-check-pipeline 📚 references:

  • von Elm, E. et al. (2007) “The Strengthening the Reporting of Observational Studies in Epidemiology (STROBE) Statement: Guidelines for Reporting Observational Studies”. PLoS Medicine 4(10):e296.
  • Hay, M. et al. (2014) “Clinical development success rates for investigational drugs”. Nature Biotechnology 32(1):40-51.
  • U.S. Food and Drug Administration. (2024) Optimizing the Dosage of Human Prescription Drugs and Biological Products for the Treatment of Oncologic Diseases: Guidance for Industry.
  • Goodhart, C. A. E. (1975) “Problems of Monetary Management: The U.K. Experience”. Reserve Bank of Australia Papers in Monetary Economics 1.
  • Campbell, D. T. (1979) “Assessing the impact of planned social change”. Evaluation and Program Planning 2(1):67-90.

🔗 延伸：Three Modern FIH Platforms Compared

[← 回 Alfred Brain Hub]

關係圖譜

反向連結