Charles Fisher, Ph.D., CEO & Gründer von Unlearn – Interview-Serie

Charles Fisher, Ph.D., ist der CEO und Gründer von Unlearn, einer Plattform, die künstliche Intelligenz (KI) nutzt, um einige der größten Engpässe in der klinischen Entwicklung anzugehen: lange Studienzeiträume, hohe Kosten und ungewisse Ergebnisse. Ihre neuartigen KI-Modelle analysieren große Mengen an patientenbezogenen Daten, um die Gesundheitsergebnisse der Patienten vorherzusagen. Durch die Integration von digitalen Zwillingen in klinische Studien kann Unlearn die klinische Forschung beschleunigen und helfen, lebensrettende neue Behandlungen für Patienten in Not zu entwickeln.

Charles ist ein Wissenschaftler mit Interessen an der Schnittstelle zwischen Physik, maschinellem Lernen und computergestützter Biologie. Zuvor arbeitete Charles als Machine-Learning-Engineer bei Leap Motion und als computergestützter Biologe bei Pfizer. Er war ein Philippe-Meyer-Stipendiat für theoretische Physik an der École Normale Supérieure in Paris, Frankreich, und ein Postdoktorand in Biophysik an der Boston University. Charles hat einen Ph.D. in Biophysik von der Harvard University und einen B.S. in Biophysik von der University of Michigan.

Sie sind derzeit in der Minderheit in Ihrem grundlegenden Glauben, dass Mathematik und Rechnung die Grundlage der Biologie sein sollten. Wie sind Sie ursprünglich zu diesen Schlussfolgerungen gelangt?

Das liegt wahrscheinlich daran, dass mathematische und computergestützte Methoden in der Biologie nicht genug betont wurden, aber aus meiner Sicht beginnen die Menschen, ihre Meinung zu ändern und mir zuzustimmen. Tiefe neuronale Netze haben uns ein neues Set an Werkzeugen für komplexe Systeme gegeben, und die Automatisierung hilft bei der Erstellung großer biologischer Datensätze. Ich denke, es ist unvermeidlich, dass die Biologie in den nächsten zehn Jahren zu einer eher computergestützten Wissenschaft wird.

Wie ist dieser Glaube dann zur Gründung von Unlearn geworden?

In der Vergangenheit wurden viele computergestützte Methoden in der Biologie als Lösung von Spielproblemen oder Problemen angesehen, die weit von Anwendungen in der Medizin entfernt sind, was es schwierig gemacht hat, den tatsächlichen Wert zu demonstrieren. Unser Ziel ist es, neue Methoden in der KI zu entwickeln, um Probleme in der Medizin zu lösen, aber wir konzentrieren uns auch darauf, Bereiche wie klinische Studien zu finden, in denen wir den tatsächlichen Wert demonstrieren können.

Können Sie Unlearns Mission erklären, um durch KI Versuch und Irrtum in der Medizin zu eliminieren?

Es ist in der Ingenieurwissenschaft üblich, ein Gerät mit einem Computermodell zu entwerfen und zu testen, bevor man es baut. Wir möchten etwas Ähnliches in der Medizin ermöglichen. Können wir die Wirkung einer Behandlung auf einen Patienten simulieren, bevor wir sie ihm verabreichen? Obwohl ich denke, dass das Feld heute noch weit davon entfernt ist, ist unser Ziel, die Technologie zu entwickeln, um dies möglich zu machen.

Wie beschleunigt Unlearns Verwendung von digitalen Zwillingen in klinischen Studien den Forschungsprozess und verbessert die Ergebnisse?

Unlearn entwickelt KI-Modelle, die als digitale Zwilling-Generatoren (DTGs) bezeichnet werden, die digitale Zwillinge von Teilnehmern in klinischen Studien erzeugen. Jeder Teilnehmer hat einen digitalen Zwilling, der vorhersagt, wie sein Ergebnis aussehen würde, wenn er in einer klinischen Studie den Placebo erhalten würde. Wenn unsere DTGs perfekt genau wären, könnten klinische Studien im Prinzip ohne Placebogruppen durchgeführt werden. In der Praxis machen jedoch alle Modelle Fehler, daher zielen wir darauf ab, randomisierte Studien zu entwerfen, die kleinere Placebogruppen als herkömmliche Studien verwenden. Dies erleichtert es, sich für die Studie anzumelden, und beschleunigt die Studienzeiträume.

Können Sie genau erklären, was Unlearns regulatorisch qualifizierte Prognostic Covariate Adjustment (PROCOVA)-Methode ist?

PROCOVA ist die erste Methode, die wir entwickelt haben, um Teilnehmern digitale Zwillinge in klinischen Studien zu ermöglichen, sodass die Studienergebnisse robust gegenüber Fehlern des Modells in seinen Vorhersagen sind. Im Wesentlichen verwendet PROCOVA die Tatsache, dass einige Teilnehmer in einer Studie zufällig der Placebogruppe zugewiesen werden, um die Vorhersagen der digitalen Zwillinge mit einer statistischen Methode namens Kovarianz-Anpassung zu korrigieren. Dies ermöglicht es uns, Studien zu entwerfen, die kleinere Kontrollgruppen als normal oder eine höhere statistische Power haben, während sie gleichzeitig eine strenge Bewertung der Wirksamkeit der Behandlung liefern. Wir arbeiten auch weiter an der Entwicklung dieser Lösungen, um noch leistungsfähigere Studien zu ermöglichen.

Wie balanciert Unlearn Innovation mit regulatorischer Konformität bei der Entwicklung seiner KI-Lösungen?

Lösungen, die auf klinische Studien abzielen, werden in der Regel basierend auf ihrem Kontext der Verwendung reguliert, was bedeutet, dass wir mehrere Lösungen mit unterschiedlichen Risikoprofilen entwickeln können, die auf unterschiedliche Anwendungsfälle abzielen. Zum Beispiel haben wir PROCOVA entwickelt, weil es extrem niedriges Risiko hat, was es uns ermöglichte, eine Qualifizierungsmeinung von der Europäischen Arzneimittelagentur (EMA) für die Verwendung als primäre Analyse in Phase-2- und Phase-3-Studien mit kontinuierlichen Ergebnissen zu erhalten. PROCOVA nutzt jedoch nicht alle Informationen, die von den digitalen Zwillingen bereitgestellt werden, die wir für die Studienteilnehmer erstellen – es lässt einige Leistung auf dem Tisch, um sich an die regulatorischen Richtlinien anzupassen. Natürlich existiert Unlearn, um Grenzen zu überschreiten, sodass wir innovativere Lösungen entwickeln können, die auf Anwendungen in früheren Studien oder post-hoc-Analysen abzielen, bei denen wir andere Arten von Methoden (z. B. Bayes-Analysen) verwenden können, die viel effizienter sind als PROCOVA.

Was waren einige der größten Herausforderungen und Durchbrüche für Unlearn bei der Verwendung von KI in der Medizin?

Die größte Herausforderung für uns und alle anderen, die KI auf Probleme in der Medizin anwenden, ist kulturell. Derzeit sind die meisten Forscher in der Medizin nicht extrem vertraut mit KI und werden in der Regel falsch informiert, wie die zugrunde liegenden Technologien tatsächlich funktionieren. Als Ergebnis sind die meisten Menschen sehr skeptisch, dass KI in naher Zukunft nützlich sein wird. Ich denke, dass sich das in den kommenden Jahren unvermeidlich ändern wird, aber Biologie und Medizin sind im Allgemeinen hinter anderen Feldern zurück, wenn es um die Übernahme neuer Computer-Technologien geht. Wir haben viele technologische Durchbrüche erzielt, aber die wichtigsten Dinge für die Erlangung der Akzeptanz sind wahrscheinlich Beweise von Regulierungsbehörden oder Kunden.

Was ist Ihre umfassende Vision für die Verwendung von Mathematik und Rechnung in der Biologie?

 In meiner Meinung können wir etwas nur dann “eine Wissenschaft” nennen, wenn ihr Ziel darin besteht, genaue, quantitative Vorhersagen über die Ergebnisse zukünftiger Experimente zu machen. Derzeit scheitern etwa 90 % der Medikamente, die in klinische Studien kommen, in der Regel, weil sie einfach nicht wirken. Wir sind also noch weit davon entfernt, genaue, quantitative Vorhersagen zu machen, wenn es um die meisten Bereiche der Biologie und Medizin geht. Ich denke, dass sich das nicht ändert, bis die Kernbereiche dieser Disziplinen sich ändern – bis Mathematik und computergestützte Methoden zu den Kern-Argumentationswerkzeugen der Biologie werden. Meine Hoffnung ist, dass die Arbeit, die wir bei Unlearn leisten, den Wert von “KI-zuerst”-Ansätzen bei der Lösung wichtiger praktischer Probleme in der medizinischen Forschung hervorhebt und zukünftige Forscher diese Kultur übernehmen und auf ein breiteres Spektrum von Problemen anwenden können.

Vielen Dank für das großartige Interview, Leser, die mehr erfahren möchten, sollten Unlearn besuchen.