Tänk dig att en cancersjuk patients tumör kartläggs cell för cell, att en AI räknar ut vilka behandlingar som kan döda just den tumören, konstruerar ett nytt läkemedel om inget befintligt fungerar och låter robotar testa alternativen på en kopia av patientens cancer innan behandlingen ges. Det låter som science fiction. Men nästan varje enskild del av detta system finns redan i någon form – och under 2026 har utvecklingen tagit flera konkreta steg mot praktisk nytta.
Cancer har i årtionden varit ett av medicinens svåraste problem. En anledning är att ordet cancer egentligen samlar ett stort antal olika sjukdomar under samma namn. Ännu svårare är att två människor med samma cancerdiagnos kan bära på tumörer med helt olika genetiska förändringar – och att olika celler inne i samma tumör dessutom kan skilja sig från varandra.
Det är just här som artificiell intelligens kan få sin kanske viktigaste medicinska användning. Inte nödvändigtvis genom att upptäcka ett enda universellt ”botemedel mot cancer”, utan genom att göra det möjligt att förstå varje tumör på en detaljnivå som en människa aldrig skulle kunna hantera och därefter konstruera eller välja en behandling specifikt för den. Och delar av den framtiden är redan här.
Missa inte vårt PLUS-innehåll!
AI börjar analysera cancer cell för cell
Traditionell genetisk analys av en tumör bygger ofta på att DNA eller RNA från ett stort antal celler analyseras tillsammans. Problemet är att resultatet då blir ett slags genomsnitt. En liten grupp särskilt aggressiva eller läkemedelsresistenta cancerceller kan försvinna i mängden.
Amerikanska National Cancer Institute, NCI, presenterade 2024 AI-systemet PERCEPTION, som i stället använder RNA-data från enskilda tumörceller för att försöka förutsäga vilka läkemedel de reagerar på. Forskarna byggde modeller för 44 redan godkända cancerläkemedel. När systemet därefter prövades på tidigare patientdata kunde det bland annat identifiera behandlingsresistens.
En av de viktigaste observationerna var att en liten resistent cellpopulation kunde vara avgörande. Om bara en klon av cancercellerna klarade ett läkemedel kunde behandlingen misslyckas, trots att merparten av tumörcellerna var känsliga för det.
Detta är centralt eftersom cancer i praktiken fungerar som ett evolutionärt system. Behandling dödar känsliga celler, medan de celler som råkar bära på egenskaper som gör dem motståndskraftiga överlever och kan föröka sig.
I april 2026 kom ytterligare ett steg. Ett NIH-finansierat system kallat scSurvival analyserade också tumörer på encellsnivå. Modellen hade tränats på data från hundratals patienter och testades på kliniska data från fler än 150 personer med bland annat melanom och levercancer. AI:n kunde inte bara identifiera patienter med högre risk utan också peka ut vilka cellpopulationer i tumören som var kopplade till risken.
Det är ungefär här en framtida helt individualiserad cancerbehandling börjar. I stället för att datorn får veta att en patient har ”lungcancer” får den en gigantisk biologisk karta:
Vilka mutationer finns? Vilka gener är aktiva? Vilka proteiner tillverkas? Vilka immunceller har tagit sig in i tumören? Vilka cancerceller är känsliga för behandling – och vilka ser redan ut att kunna överleva den?
Från cancerdiagnos till en digital karta
Utvecklingen stannar inte vid genetiken. AI-modeller tränas samtidigt på digitaliserade mikroskopbilder av tumörer. År 2025 publicerades exempelvis den stora patologimodellen TITAN i Nature Medicine. Den tränades med över 335 000 digitala vävnadssnitt och information från patologirapporter.
Modellen kan bland annat känna igen cancermönster, hämta information ur vävnadsbilder och utföra prognostiska uppgifter även för ovanliga cancersjukdomar.
Andra så kallade foundation models för patologi har tränats på enorma bildmängder. Modellen Virchow visade exempelvis hög förmåga att skilja cancer från annan vävnad över både vanliga och sällsynta cancerformer. På sikt är tanken inte att välja mellan mikroskopbild, DNA eller blodprov. AI:n kan titta på allt samtidigt.
Genomik kan berätta vilka mutationer cancern bär på. RNA visar vilka gener som faktiskt används. Proteomik visar vad cellerna producerar. Mikroskopibilder visar hur cellerna ser ut och organiserar sig. Röntgen och magnetkamera visar var sjukdomen befinner sig i kroppen. Kliniska journaler visar vad som tidigare fungerat på liknande patienter.
En forskningsöversikt i Nature Reviews Cancer i april 2026 pekade just på integreringen av så kallad multi-omics med bilddata och klinisk information som ett viktigt nästa steg inom AI-baserad cancerforskning. Resultatet blir något som börjar likna en digital modell av själva sjukdomen.
Nästa steg: AI räknar ut vad som måste slås ut
Att förstå tumören är emellertid bara halva uppgiften. Nästa fråga är vad ska man göra med den. En cancercell kan vara beroende av vissa signalvägar eller proteiner för att fortsätta dela sig. Blockerar man en av dem kan tumören stanna. Problemet är att det finns ett enormt antal möjliga kombinationer.
Ett läkemedel kanske blockerar protein A. Cancern går då runt hindret via protein B. Blockeras både A och B kanske en tredje mekanism aktiveras.
Människan kan undersöka sådana samband experimentellt, men antalet möjliga kombinationer blir snabbt astronomiskt. Här passar maskininlärning särskilt väl.
Amerikanska NCI driver redan ComboMATCH, där patienter får kombinationer av målriktade cancerläkemedel baserat på genetiska förändringar i tumören. Syftet är uttryckligen att försöka övervinna den resistens som kan uppstå när endast ett mål angrips.
Sedan januari 2026 kan även cirkulerande tumör-DNA, så kallat ctDNA, användas för att hitta patienter till studien. Tumörens genetiska spår kan alltså i vissa situationer läsas ur ett vanligt blodprov i stället för från en ny biopsi.
AI lägger ytterligare en nivå ovanpå detta: datorn kan söka igenom mängder av biologiska samband och försöka hitta kombinationer som människan inte själv hade prioriterat.
AI börjar redan konstruera cancerläkemedel
Här följer också en av de största förändringarna eftersom AI inte behöver nöja sig med att välja bland läkemedel som redan finns. Den kan försöka designa ett nytt.
Google DeepMinds AlphaFold blev känt genom sin förmåga att förutsäga proteiners tredimensionella struktur. AlphaFold 3, som presenterades 2024, utvidgade detta till interaktioner mellan bland annat proteiner, DNA, RNA, antikroppar och små läkemedelsmolekyler. Det är viktigt eftersom nästan alla läkemedel fungerar genom molekylära interaktioner.
För att stoppa ett cancerprotein behöver forskaren exempelvis hitta en molekyl som passar in på rätt plats på proteinet och binder tillräckligt hårt – men som samtidigt inte binder till något annat viktigt protein och skadar patienten. Tidigare har en stor del av detta krävt enorma mängder laboratoriearbete men en generativ AI skulle i stället kunna få en uppgift som låter ungefär så här:
Konstruera en molekyl som binder till den här fickan på cancerproteinet, kan tas upp av människokroppen, inte bryts ned för snabbt, inte är giftig för levern och helst inte påverkar dessa tusentals andra mänskliga proteiner.
Datorn kan därefter generera och rangordna enorma mängder kandidater innan de mest lovande faktiskt tillverkas.
AI-läkemedlen har nått människan
Detta är inte längre enbart teori. Bioteknikbolaget Recursion meddelade i april 2026 att den första patienten fått REC-4539, tidigare EXS74539, i en fas 1-studie på flera former av avancerad cancer. Bolaget beskriver substansen som AI-designad och uppger att kandidaten kunde tas fram på omkring 20 månader med bolagets AI-baserade plattform.
Den registrerade studien omfattar bland annat småcellig lungcancer, prostatacancer, äggstockscancer, njurcancer, levercancer och trippelnegativ bröstcancer. Den startade den 13 april 2026.
Ett annat AI-baserat läkemedelsbolag, Insilico Medicine, har samtidigt tagit cancermolekylen ISM6331 till en fas 1-studie på bland annat mesoteliom och andra avancerade solida tumörer. Bolaget beskriver även den som AI-designad. De första humanresultaten har accepterats för presentation vid cancerkongressen ESMO i oktober 2026.
Google DeepMind-avknoppningen Isomorphic Labs arbetar samtidigt med en intern läkemedelspipeline inom framför allt cancer och immunologi. Företagets nya system IsoDDE är utvecklat för både strukturanalys och själva läkemedelsdesignen. Grundaren Demis Hassabis uppgav tidigare i år att företaget räknar med att inleda sina första kliniska försök senast vid slutet av 2026, enligt Reuters.
Det betyder inte att AI redan har löst läkemedelsutvecklingen. En stor genomgång i Nature Reviews Drug Discovery har tvärtom pekat på att den kliniskt bevisade nyttan fortfarande ligger efter den snabba teknikutvecklingen. Att en AI hittar en lovande molekyl är en sak. Att visa att samma molekyl faktiskt botar människor utan oacceptabla biverkningar är något helt annat.
Men en viktig gräns har passerats: läkemedel som tagits fram med avancerade AI-plattformar befinner sig nu i riktiga cancerpatienter.
Man odlar redan patientens cancer utanför kroppen
Ett annat pusselbit kan göra individualiseringen betydligt mer konkret, nämligen att man numera kan ta tumörceller från en patient och odla dem som små tredimensionella strukturer, så kallade organoider.
De fungerar inte som perfekta kopior av en människa, men kan behålla viktiga egenskaper från den ursprungliga tumören. Det innebär att forskare i princip kan testa flera läkemedel på patientens egen cancer innan patienten själv får dem.
Under 2026 publicerades exempelvis forskning där robotteknik användes för att automatisera hanteringen av mycket små mängder patientderiverade tumörorganoider. I studien kunde forskarna testa läkemedelsrespons med mindre mängd vävnad än tidigare och resultaten hade samband med hur patienterna senare svarade på behandling. Studien finns publicerad via PubMed.
Det börjar likna något som för inte särskilt länge sedan hade betraktats som science fiction: Ta ett prov från patienten – skapa modeller av cancern – testa behandlingarna utanför patientens kropp – välj sedan det alternativ som fungerar bäst.
Den stora förändringen: när allt kopplas ihop
Det verkligt stora språnget uppstår dock först när teknikerna kombineras, vilket är var forskningen börjar peka.
En artikel i Nature Reviews Cancer beskriver hur dagens modeller fortfarande inte på ett tillförlitligt sätt kan förutsäga exakt hur en enskild cancer kommer att utvecklas. Författarna pekar i stället mot en framtid där avancerade tumörmodeller och artificiell intelligens kopplas ihop i en iterativ återkopplingsprocess.
I praktiken skulle den kunna fungera ungefär så här:
Patientens tumör kartläggs genetiskt och på encellsnivå. AI bygger en modell av vilka biologiska mekanismer som driver sjukdomen. Systemet föreslår läkemedel eller kombinationer. Patientens tumörceller odlas som organoider. Robotar testar de mest lovande alternativen. Resultaten matas tillbaka till AI. Modellen uppdateras. Nya experiment väljs automatiskt.
Detta kallas ofta en closed loop, en sluten återkopplingscykel. I stället för att forskaren först formulerar en hypotes, utför experimentet, analyserar resultatet och därefter planerar nästa experiment kan delar av hela processen automatiseras.
AI genererar hypoteser. Roboten genomför experiment. Resultaten går tillbaka in i modellen.AI bestämmer vilket experiment som ger mest ny information härnäst. Och cykeln börjar om.
Det är här artificiell intelligens potentiellt kan göra något som en mänsklig forskargrupp aldrig kan göra i samma skala. Datorn kan samtidigt väga tusentals genetiska förändringar, signalvägar, proteininteraktioner, läkemedel och möjliga kombinationer mot varandra och sedan välja vilka experiment som bör göras först.
Cancerbehandlingen kan förändras medan den pågår
Nästa steg är att samma princip fortsätter efter att behandlingen satts in. Cancer är nämligen inte statisk utan tumören förändras när den utsätts för behandling.
Ett läkemedel kan exempelvis slå ut 99 procent av cancercellerna. Men om den sista procenten består av celler med en mutation som gör dem resistenta kan just dessa celler sedan börja föröka sig och bilda en ny dominerande tumör. Det är en av anledningarna till att en behandling kan fungera mycket bra till en början och sedan plötsligt sluta fungera.
Framtidens behandling kan därför bli betydligt mer dynamisk. Genom återkommande blodprov kan så kallat cirkulerande tumör-DNA, ctDNA, ge information om vilka genetiska varianter av cancern som finns kvar. Tekniken används redan i forskning och kliniska studier. NCI ComboMATCH har exempelvis börjat använda ctDNA som ett av sätten att genetiskt matcha patienter till behandlingar.
AI skulle då kunna jämföra ett nytt blodprov med patientens tidigare data och upptäcka att en liten resistent cellpopulation håller på att öka – potentiellt innan den hunnit växa till en stor tumör. Behandlingen skulle då kunna ändras.
I stället för dagens process, där man först ställer en diagnos, sätter in en behandling och sedan väntar för att se om den fungerar, kan framtidens vård bygga på ett kontinuerligt flöde där man mäter effekten, behandlar, analyserar resultaten och modellerar nästa steg. Behandlingen kan därefter justeras utifrån de nya mätningarna och processen upprepas.
Cancern behandlas då mer som en ständigt föränderlig motståndare än som ett statiskt mål.
Personliga cancervacciner
Samma individualisering pågår inom immunterapin Cancerceller bär ofta mutationer som skapar förändrade proteiner, så kallade neoantigener, som inte finns i kroppens normala celler. Om immunförsvaret kan läras att känna igen just dessa kan det i princip få en lista över vilka celler som ska förstöras. Problemet är att varje patients mutationer är olika.
Tumörens DNA måste därför sekvenseras och stora mängder potentiella neoantigener analyseras för att välja vilka immunsystemet sannolikt kan lära sig att angripa. Det är ett typiskt problem där avancerade beräkningsmodeller och AI lämpar sig väl.
Under 2026 publicerades exempelvis resultat i Nature från en mindre studie där kvinnor med trippelnegativ bröstcancer fick individuellt framtagna mRNA-vacciner efter behandling. Nästan alla utvecklade T-cellsvar mot flera av de utvalda tumörmålen och immunsvaren kunde kvarstå under lång tid.
Studien var liten och innebär inte att metoden generellt botar cancer. Men den demonstrerar principen: patientens tumör analyseras, individuella mål identifieras och en behandling byggs specifikt för just den patienten.
AI skulle framöver inte bara kunna hjälpa till att välja vilka tumörmål som ska angripas, utan också optimera själva vaccinet, antikroppen eller en genetiskt modifierad immuncell.
Existerar redan
Om utvecklingen fortsätter går det därför att föreställa sig en behandling som ser helt annorlunda ut än dagens. En patient lämnar biopsi och blodprov därefter analyseras tumörens DNA, RNA och proteiner samtidigt som dess celler studeras individuellt och vävnaden digitaliseras. Inom timmar eller dagar bygger sedan AI-system en biologisk modell.
Exempelvis skulle systemet kunna jämför tumören med data från miljontals tidigare cancerfall och experiment och identifierar fem möjliga sårbarheter. Tre befintliga läkemedel och två nya molekyler bedöms som lovande. Tumörceller från patienten har samtidigt odlats i hundratals miniatyrmodeller. Robotlaboratoriet testar olika kombinationer och kommer fram till att behandling nummer 37 dödar 99,9 procent av cancercellerna, men en liten grupp överlever.
AI analyserar då överlevarna och identifierar deras gemensamma svaghet. En ny kombination testas och lyckas slå ut även dessa celler utan att orsaka motsvarande skada på friska celler i laboratoriemodellen. Läkare får resultaten och väljer behandling.
Under de följande månaderna övervakas tumör-DNA i blodet. Så snart tecken på en resistent klon dyker upp uppdateras modellen och behandlingen ändras.
Det finns i dag inget system som kan göra hela detta flöde säkert och tillförlitligt men det anmärkningsvärda är att nästan varje enskild komponent redan existerar separat.
Hur långt bort ligger framtiden?
Det är viktigt att skilja mellan olika delar av utvecklingen. Under de närmaste fem åren är det sannolikt att AI blir betydligt vanligare som stöd för patologer, radiologer, molekylär diagnostik, kliniska studier och val mellan redan existerande behandlingar.
AI används redan för att analysera digitala vävnadsbilder och för att försöka förutsäga behandlingsrespons. NCI presenterade 2024 AI-systemet PERCEPTION, som använder data från enskilda tumörceller för att förutsäga hur cancer reagerar på olika läkemedel.
På fem till tio års sikt kan avancerade cancercentrum i ökande utsträckning börja kombinera genomik, encellsdata, digital patologi, blodbaserad tumörövervakning och AI i samma beslutsstöd. Organoidtester kan samtidigt bli praktiskt användbara för fler cancerformer om metoderna blir snabbare, billigare och mer standardiserade.
På tio till tjugo års sikt är ett verkligt slutet system – där AI analyserar en patients tumör, föreslår eller konstruerar behandlingar, automatiserade laboratorier testar dem och nya mätningar kontinuerligt matas tillbaka – tekniskt och biologiskt tänkbart.
AI kan inte trolla bort biologins långsamhet
Det finns också en viktig broms som lätt försvinner i AI-entusiasmen. En dator kan testa en miljard molekyler virtuellt på kort tid men en mänsklig kropp kan inte snabbspolas.
Ett läkemedel måste fortfarande visa att det tas upp på rätt sätt i kroppen, når tumören, fungerar i verkliga patienter och inte orsakar allvarliga biverkningar vilket kräver kliniska studier. AI kan därför kraftigt accelerera jakten på rätt molekyl utan att automatiskt göra den sista delen av läkemedelsutvecklingen lika snabb.
Recursions AI-utvecklade cancerkandidat REC-4539 illustrerar skillnaden. Bolaget kunde använda sin plattform för att snabbt få fram en kandidat, men den kliniska studien måste ändå steg för steg fastställa dosering, säkerhet och eventuell effekt hos människor.
Jakten på ett botemedel kan ändå förändras i grunden
Den kanske största förändringen är därför inte att AI hittar en magisk tablett mot cancer utan att själva forskningsmetoden förändras. Traditionellt har cancerforskningen varit tvungen att reducera sjukdomen till hanterbara frågor: en mutation, en signalväg eller ett läkemedel i taget. En tillräckligt avancerad AI kan i stället försöka hantera hela systemet samtidigt.
Om detta fungerar blir slutmålet kanske inte ett enda ”botemedel mot cancer” men troligen en generell teknologi som gång på gång kan hitta en behandling – eller i bästa fall ett botemedel – mot den cancer som finns framför den.
Det är fortfarande en vision men skillnaden mot för bara några år sedan är att flera av maskinerna som behövs för att bygga den redan är igång.
