Charles Fisher, Ph.D., CEO & Founder of Unlearn – Rozhovorová série

Charles Fisher, Ph.D., je CEO a zakladatel Unlearn, platformy, která využívá umělou inteligenci k řešení některých z největších problémů ve vývoji klinických studií: dlouhých časových rámců, vysokých nákladů a nejistých výsledků. Jejich novým modelem AI analyzují obrovské množství dat na úrovni pacienta, aby předpověděli zdravotní výsledky pacientů. Integrací digitálních dvojčat do klinických studií může Unlearn urychlit klinický výzkum a pomoci přivést život zachraňující nové léčby pacientům, kteří je potřebují.

Charles je vědec se zájmy na rozhraní fyziky, strojového učení a výpočetní biologie. Předtím pracoval Charles jako inženýr strojového učení ve firmě Leap Motion a jako výpočetní biolog ve firmě Pfizer. Byl Philippe Meyer Fellow v teoretické fyzice na École Normale Supérieure v Paříži, Francii, a postdoktorálním vědcem v biofyzice na Bostonské univerzitě. Charles má doktorát z biofyziky na Harvardské univerzitě a bakalářský titul z biofyziky na Michiganské univerzitě.

V současné době jste v menšině ve svém základním přesvědčení, že matematika a výpočetní metody by měly být základem biologie. Jak jste původně dospěl k těmto závěrům?

To je pravděpodobně proto, že matematika a výpočetní metody nebyly dostatečně zdůrazněny v biologickém vzdělávání v posledních letech, ale z mého pohledu lidé začínají měnit své názory a souhlasit se mnou. Hluboké neuronové sítě nám poskytly nové nástroje pro komplexní systémy a automatizace pomáhají vytvářet velké biologické datové sady, které jsou nezbytné. Myslím, že je nevyhnutelné, že biologie přechází do více výpočetní vědy v příštím desetiletí.

Jak jste přešel od tohoto přesvědčení k zahájení Unlearn?

V minulosti byly mnohé výpočetní metody v biologii považovány za řešení triviálních problémů nebo problémů, které jsou daleko od aplikací v medicíně, což způsobilo, že je obtížné prokázat skutečnou hodnotu. Naším cílem je vynález nových metod AI pro řešení problémů v medicíně, ale soustředíme se také na nalezení oblastí, jako jsou klinické studie, kde můžeme prokázat skutečnou hodnotu.

Můžete vysvětlit misi Unlearn, aby se zbavila zkoušek a omylů v medicíně pomocí AI?

Je běžné ve strojírenství navrhnout a otestovat zařízení pomocí počítačového modelu, než postavíme skutečné zařízení. Rádi bychom umožnili něco podobného v medicíně. Můžeme simulovat účinek léčby na pacienta, než mu ji podáme? Ačkoli si myslím, že toto pole je poměrně daleko od toho dnes, náš cíl je vynález technologie, která to umožní.

Jak využívání digitálních dvojčat Unlearn v klinických studiích urychluje proces výzkumu a zlepšuje výsledky?

Unlearn vynalezl modely AI zvané generátory digitálních dvojčat (DTGs), které generují digitální dvojčata účastníků klinických studií. Každé digitální dvojče účastníka předpovídá, jaký by byl jeho výsledek, kdyby dostal placebo v klinické studii. Pokud by naše DTGs byly dokonale přesné, pak by klinické studie mohly být provedeny bez placebových skupin. Ale v praxi všechny modely dělají chyby, takže naše cílem je navrhnout randomizované studie, které využívají menší placebové skupiny než tradiční studie. To usnadňuje účast v studii a urychluje časové rámce studií.

Můžete přesně vysvětlit, co je regulačně kvalifikovaná metodika Prognostic Covariate Adjustment (PROCOVA™) Unlearn?

PROCOVA™ je první metodika, kterou jsme vyvinuli, která umožňuje použití digitálních dvojčat účastníků v klinických studiích, aby výsledky studií byly robustní vůči chybám, které model může udělat ve svých předpovědích. Základní PROCOVA využívá skutečnosti, že někteří účastníci studie jsou náhodně přiřazeni k placebové skupině, aby opravila předpovědi digitálních dvojčat pomocí statistické metody zvané kovarianční úprava. To umožňuje navrhnout studie, které využívají menší kontrolní skupiny než normální nebo které mají vyšší statistickou sílu, zatímco zajišťují, že tyto studie poskytují přísné hodnocení účinnosti léčby. Současně pokračujeme ve výzkumu a vývoji, abychom rozšířili tuto řadu řešení a poskytli ještě účinnější studie do budoucna.

Jak Unlearn vyvažuje inovace s regulačními požadavky při vývoji svých řešení AI?

Rozwiązania zaměřená na klinické studie jsou obecně regulována na základě jejich kontextu použití, což znamená, že můžeme vyvinout několik řešení s různými profily rizik, které jsou zaměřeny na různé použití. Například jsme vyvinuli PROCOVA, protože je extrémně nízkého rizika, což nám umožnilo získat kvalifikační názor od Evropského lékového úřadu (EMA) pro použití jako primární analýza ve fázi 2 a 3 klinických studií s kontinuálními výsledky. Ale PROCOVA nevyužívá všechny informace poskytnuté digitálními dvojčaty, která vytváříme pro účastníky studie – nechává一些 výkonu na stole, aby se shodovalo s regulačními pokyny. Samozřejmě, Unlearn existuje, aby tlačil hranice, takže můžeme spustit více inovativní řešení zaměřená na aplikace v ranějších fázích studií nebo post-hoc analýz, kde můžeme použít jiné typy metod (například Bayesianovy analýzy), které poskytují mnohem více efektivity než PROCOVA.

Jaké byly některé z největších výzev a průlomů pro Unlearn při využívání AI v medicíně?

Největší výzvou pro nás a kdokoli jiného, kdo se podílí na aplikaci AI na problémy v medicíně, je kulturní. V současné době většina výzkumníků v medicíně není extrémně seznámena s AI a obvykle je špatně informována o tom, jak fungují základní technologie. V důsledku toho je většina lidí vysoce skeptická, zda AI bude užitečné v blízké budoucnosti. Myslím, že to nevyhnutelně změní v příštích letech, ale biologie a medicína obecně zůstávají pozadu za většinou ostatních oborů, pokud jde o přijetí nových počítačových technologií. Měli jsme mnoho technologických průlomů, ale nejimportnější věci pro získání přijetí jsou pravděpodobně důkazy od regulátorů nebo zákazníků.

Jaké je vaše celkové vidění využití matematiky a výpočetní techniky v biologii?

 Podle mého názoru můžeme něco nazvat “vědou” pouze tehdy, pokud jejím cílem je udělat přesné, kvantitativní předpovědi o výsledcích budoucích experimentů. V současné době asi 90 % léků, které vstupují do lidských klinických studií, selhává, obvykle protože nefungují. Takže jsme opravdu daleko od dělání přesných, kvantitativních předpovědí nyní, pokud jde o většinu oblastí biologie a medicíny. Nemyslím, že to změní, dokud jádro těchto disciplín nezmění – dokud matematika a výpočetní metody nebudou základními nástroji biologie. Má naděje je, že práce, kterou děláme v Unlearn, zdůrazňuje hodnotu přijetí “AI-first” přístupu k řešení důležité praktické problémy v medicínském výzkumu, a budoucí výzkumníci mohou vzít tuto kulturu a aplikovat ji na širší sadu problémů.

Děkuji za skvělý rozhovor, čtenáři, kteří chtějí se dozvědět více, by měli navštívit Unlearn.