Charles Fisher, Ph.D., CEO & Founder of Unlearn – Interview Series

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

Charles je vědec se zájmy na rozhraní fyziky, strojového učení a počítačové biologie. V minulosti pracoval Charles jako inženýr strojového učení ve společnosti Leap Motion a jako počítačový biolog ve společnosti 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.

Jste nyní v menšině ve svém základním přesvědčení, že matematika a výpočetní technika by měly být základem biologie. Jak jste původně dospěl k těmto závěrům?

To je pravděpodobně jen 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 pomáhá vytvářet velké biologické datové sady, které jsou vyžadovány. Myslím, že je nevyhnutelné, že biologie přechází k tomu, aby se stala více výpočetní vědou v příštím desetiletí.

Jak toto přesvědčení přešlo na spuštění Unlearn?

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

Můžete vysvětlit misi Unlearn eliminovat pokusy a omyly v medicíně pomocí AI?

Je běžné ve strojírenství navrhnout a otestovat zařízení pomocí počítačového modelu, než jej postavíte. Rádi bychom umožnili něco podobného v medicíně. Můžeme simulovat účinek léčby, kterou pacientovi podáme, předtím, 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 digitální dvojčata generátorů (DTGs), které generují digitální dvojčata účastníků klinických studií. Každé dvojče účastníka předpovídá, jaký by byl jeho výsledek, kdyby dostal placebu 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 nás snažíme navrhnout randomizované studie, které využívají menší placebové skupiny než tradiční studie. To usnadňuje účast v studii, urychluje časové osy studií.

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

PROCOVA™ je první metoda, kterou jsme vyvinuli, která umožňuje účastníkům klinických studií použít digitální dvojčata, 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 opravili 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 stále poskytují přísné hodnocení účinnosti léčby. 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?

Řešení 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 nízkorizikové, 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, které poskytují digitální dvojčata, která vytváříme pro účastníky studií – zanechává一些 výkon 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 využít jiné typy metod (například bayesovské analýzy), které poskytují mnohem více efektivity, než můžeme s PROCOVA.

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

Největší výzvou pro nás a pro kohokoli 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 vlastně 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 nejvýznamnější 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 učinit přesné, kvantitativní předpovědi o výsledcích budoucích experimentů. V současné době zhruba 90 % léků, které vstupují do humánních klinických studií, selže, obvykle protože nefungují. Takže jsme opravdu daleko od toho, abychom mohli učinit přesné, kvantitativní předpovědi, pokud jde o většinu oblastí biologie a medicíny. Nemyslím, že se to změní, dokud se jádro těchto disciplín nezmění – dokud matematika a výpočetní metody nebudou základními nástroji biologie. Můj nadějí je, že práce, kterou děláme v Unlearn, zdůrazňuje hodnotu přijetí “AI-first” přístupu k řešení důležitých praktických problémů v medicinském výzkumu, a budoucí výzkumníci mohou tuto kulturu aplikovat na širší řadu problémů.

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