Charles Fisher, Ph.D., CEO & Founder 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 Studiendauern, 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 den Patienten zukommen zu lassen, die sie benötigen.

Charles ist ein Wissenschaftler mit Interessen an der Schnittstelle von Physik, maschinellem Lernen und computergestützter Biologie. Zuvor arbeitete Charles als maschineller Lerningenieur 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 mit Ihrer grundlegenden Überzeugung, dass Mathematik und Computereinsatz die Grundlage der Biologie sein sollten. Wie sind Sie ursprünglich zu diesen Schlussfolgerungen gelangt?

Das liegt wahrscheinlich daran, dass Mathematik und computergestützte Methoden in der Biologieausbildung in den letzten Jahren nicht stark 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 dabei, die großen biologischen Datensätze zu erstellen, die erforderlich sind. Ich denke, es ist unvermeidlich, dass die Biologie in den nächsten zehn Jahren zu einer computergestützten Wissenschaft wird.

Wie ging diese Überzeugung dann in die Gründung von Unlearn über?

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, einen echten Wert nachzuweisen. 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 einen echten Wert nachweisen können.

Können Sie die Mission von Unlearn erklären, um durch KI den Trial-and-Error-Ansatz 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 die Verwendung von digitalen Zwillingen in klinischen Studien von Unlearn den Forschungsprozess und verbessert die Ergebnisse?

Unlearn entwickelt KI-Modelle, die als digitale Zwilling-Generatoren (DTGs) bezeichnet werden, die digitale Zwillinge von Teilnehmern klinischer Studien erstellen. Jeder Teilnehmer hat einen digitalen Zwilling, der vorhersagt, welches Ergebnis er hätte, wenn er in einer klinischen Studie ein 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 Studiendauer.

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

PROCOVA ist die erste Methode, die wir entwickelt haben, um Teilnehmer-Digitale-Zwillinge in klinischen Studien zu verwenden, damit 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 Kovariatenanpassung zu korrigieren. Dies ermöglicht es uns, Studien zu entwerfen, die kleinere Kontrollgruppen als normal oder eine höhere statistische Leistungsfähigkeit haben, während sichergestellt wird, dass diese Studien immer noch robuste Bewertungen der Behandlungseffizienz liefern. Wir setzen die Forschung und Entwicklung fort, um diese Linie von Lösungen zu erweitern und noch leistungsfähigere Studien anzubieten.

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 aufweist, 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 einzuholen. PROCOVA nutzt jedoch nicht alle Informationen, die die digitalen Zwillinge, die wir für die Studienteilnehmer erstellen, liefern – es lässt einige Leistung auf dem Tisch, um sie mit den regulatorischen Richtlinien in Einklang zu bringen. Natürlich existiert Unlearn, um Grenzen zu überschreiten, sodass wir innovativere Lösungen für Anwendungen in frühen Studien oder post-hoc-Analysen starten können, bei denen wir andere Arten von Methoden (z. B. bayessche 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 kultureller Natur. Derzeit sind die meisten Forscher in der Medizin nicht extrem vertraut mit KI, und sie sind normalerweise falsch informiert über die zugrunde liegenden Technologien. Als Ergebnis sind die meisten Menschen sehr skeptisch, dass KI in naher Zukunft nützlich sein wird. Ich denke, dass sich das unvermeidlich in den kommenden Jahren ändern wird, aber Biologie und Medizin sind im Allgemeinen hinter anderen Feldern zurück, wenn es um die Übernahme neuer Computertechnologien geht. Wir haben viele technologische Durchbrüche erzielt, aber die wichtigsten Dinge für die Akzeptanz sind wahrscheinlich Beweispunkte von Regulierungsbehörden oder Kunden.

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

 In meiner Meinung können wir etwas nur dann als “Wissenschaft” bezeichnen, 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 eingebracht werden, normalerweise, weil sie einfach nicht wirken. Wir sind also wirklich weit davon entfernt, genaue, quantitative Vorhersagen zu machen, wenn es um die meisten Bereiche der Biologie und Medizin geht. Ich denke nicht, dass sich das ändert, bis die Kernbereiche dieser Disziplinen sich ändern – bis Mathematik und computergestützte Methoden zu den Kernargumentationswerkzeugen der Biologie werden. Meine Hoffnung ist, dass die Arbeit, die wir bei Unlearn leisten, den Wert eines “KI-erst”-Ansatzes bei der Lösung eines wichtigen praktischen Problems 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.