Ο Charles Fisher, Ph.D., Διευθύνων Σύμβουλος & Ιδρυτής της Unlearn – Σειρά Συνεντεύξεων

Ο Charles Fisher, Ph.D., είναι ο Διευθύνων Σύμβουλος και Ιδρυτής της Unlearn, μια πλατφόρμα που αξιοποιεί την τεχνητή νοημοσύνη για την αντιμετώπιση некоторых από τα μεγαλύτερα εμπόδια στην κλινική ανάπτυξη: τις μακρές χρονικές περιόδους δοκιμών, τα υψηλά κόστη και τις αβέβαιες εξελίξεις. Τα καινοτόμα μοντέλα AI αναλύουν τεράστιες ποσότητες δεδομένων σε επίπεδο ασθενή για να προβλέψουν τις εξελίξεις της υγείας των ασθενών. Ενσωματώνοντας ψηφιακές δίδυμες στην κλινική έρευνα, η Unlearn είναι σε θέση να επιταχύνει την κλινική έρευνα και να βοηθήσει στην εισαγωγή νέων θεραπευτικών λύσεων που σώζουν ζωές σε ασθενείς που τις χρειάζονται.

Ο Charles είναι επιστήμονας με ενδιαφέροντα στο σημείο τομής της φυσικής, της μηχανικής μάθησης και της υπολογιστικής βιολογίας. Προηγουμένως, ο Charles εργάστηκε ως μηχανικός μηχανικής μάθησης στην Leap Motion και ως υπολογιστικός βιολόγος στην Pfizer. Ήταν υπότροφος Philippe Meyer στη θεωρητική φυσική στο École Normale Supérieure στο Παρίσι, Γαλλία, και επιστήμονας μετά το διδακτορικό στη βιοφυσική στο Πανεπιστήμιο του Βοστώνη. Ο Charles κατέχει διδακτορικό τίτλο στη βιοφυσική από το Πανεπιστήμιο του Χάρβαρντ και πτυχίο στη βιοφυσική από το Πανεπιστήμιο του Μίσιγκαν.

Είστε αυτή τη στιγμή στην μειονότητα στην θεμελιώδη πίστη σας ότι οι μαθηματικές και υπολογιστικές μεθόδους πρέπει να είναι η βάση της βιολογίας. Πώς φτάσατε αρχικά σε αυτά τα συμπεράσματα;

Αυτό είναι πιθανότατα επειδή οι μαθηματικές και υπολογιστικές μεθόδους δεν έχουν τονιστεί αρκετά στην εκπαίδευση της βιολογίας τα τελευταία χρόνια, αλλά από όπου βρίσκομαι, οι άνθρωποι αρχίζουν να αλλάζουν γνώμη και να συμφωνούν μαζί μου. Τα βαθιά νευρωνικά δίκτυα μας έχουν δώσει ένα νέο σύνολο εργαλείων για σύνθετα συστήματα και η αυτοματοποίηση βοηθά στην δημιουργία μεγάλων βιολογικών συνόλων δεδομένων που απαιτούνται. Νομίζω ότι είναι αναπόφευκτο ότι η βιολογία θα μεταβεί σε μια πιο υπολογιστική επιστήμη την επόμενη δεκαετία.

Πώς αυτή η πίστη μετέβαλε αργότερα στην εκκίνηση της Unlearn;

Στον παρελθόν, πολλές υπολογιστικές μεθόδους στη βιολογία έχουν θεωρηθεί ως λύση σε προβλήματα που είναι μακράν από τις εφαρμογές στην ιατρική, γεγονός που έχει κάνει δύσκολο να αποδείξουν την πραγματική αξία. Ο στόχος μας είναι να εφευρέσουμε νέες μεθόδους AI για την επίλυση προβλημάτων στην ιατρική, αλλά είμαστε επίσης επικεντρωμένοι στην αναζήτηση περιοχών, όπως στις κλινικές δοκιμές, όπου μπορούμε να αποδείξουμε την πραγματική αξία.

Μπορείτε να εξηγήσετε την αποστολή της Unlearn για την εξάλειψη της δοκιμής και του λάθους στην ιατρική μέσω της τεχνητής νοημοσύνης;

Είναι συνήθες στη μηχανική να σχεδιάζεις και να δοκιμάζεις μια συσκευή χρησιμοποιώντας ένα υπολογιστικό μοντέλο πριν από την κατασκευή του πραγματικού αντικειμένου. Θα ήθελα να ενεργοποιήσω κάτι παρόμοιο στην ιατρική. Μπορούμε να προσομοιώσουμε την επίδραση που θα έχει μια θεραπεία σε έναν ασθενή πριν του τη χορηγήσουμε; Αν και νομίζω ότι το πεδίο είναι khá μακράν από αυτό σήμερα, ο στόχος μας είναι να εφευρέσουμε την τεχνολογία για να το κάνουμε δυνατό.

Πώς η χρήση ψηφιακών δίδυμων στην κλινική έρευνα της Unlearn επιταχύνει τη διεργασία έρευνας και βελτιώνει τα αποτελέσματα;

Η Unlearn εφευρίσκει μοντέλα AI που ονομάζονται γεννήτορες ψηφιακών δίδυμων (DTGs) που παράγουν ψηφιακές δίδυμες των συμμετεχόντων στις κλινικές δοκιμές. Κάθε ψηφιακή δίδυμη προβλέπει ποιο θα ήταν το αποτέλεσμα του συμμετέχοντα αν είχε λάβει το εικονικό φάρμακο σε μια κλινική δοκιμή. Αν τα DTGs μας ήταν απόλυτα ακριβή, τότε, σε principio, οι κλινικές δοκιμές θα μπορούσαν να διεξαχθούν χωρίς ομάδες εικονικού φαρμάκου. Αλλά στην πράξη, όλα τα μοντέλα κάνουν λάθη, οπότε στοχεύουμε να σχεδιάσουμε τυχαίες δοκιμές που χρησιμοποιούν μικρότερες ομάδες εικονικού φαρμάκου από τις παραδοσιακές δοκιμές. Αυτό κάνει πιο εύκολη την εγγραφή στη μελέτη, επιταχύνοντας τις χρονικές περιόδους των δοκιμών.

Μπορείτε να εξηγήσετε με ακρίβεια την μεθοδολογία PROCOVA™ της Unlearn;

Η PROCOVA™ είναι η πρώτη μέθοδος που αναπτύξαμε που επιτρέπει στις ψηφιακές δίδυμες των συμμετεχόντων να χρησιμοποιηθούν στις κλινικές δοκιμές, ώστε τα αποτελέσματα των δοκιμών να είναι ανθεκτικά στα λάθη που μπορεί να κάνει το μοντέλο στις προβλέψεις. Βασικά, η PROCOVA χρησιμοποιεί το γεγονός ότι κάποιοι από τους συμμετέχοντες στη μελέτη έχουν τυχαία ανατεθεί στην ομάδα εικονικού φαρμάκου για να διορθώσει τις προβλέψεις των ψηφιακών δίδυμων χρησιμοποιώντας μια στατιστική μέθοδο που ονομάζεται διόρθωση μεταβλητών. Αυτό μας επιτρέπει να σχεδιάσουμε μελέτες που χρησιμοποιούν μικρότερες ομάδες ελέγχου από το συνηθισμένο ή που έχουν υψηλότερη στατιστική ισχύ, διασφαλίζοντας ότι οι μελέτες αυτές vẫn παρέχουν αυστηρές αξιολογήσεις της αποτελεσματικότητας της θεραπείας. Συνεχίζουμε επίσης την έρευνα και ανάπτυξη για να επεκτείνουμε αυτή τη σειρά λύσεων και να παρέχουμε ακόμη πιο ισχυρές μελέτες στο μέλλον.

Πώς η Unlearn ισορροπεί την καινοτομία με την συμμόρφωση με τους κανονισμούς στην ανάπτυξη των λύσεων AI;

Οι λύσεις που στοχεύουν στις κλινικές δοκιμές ρυθμίζονται γενικά με βάση το контέκστ τους χρήσης, γεγονός που σημαίνει ότι μπορούμε να αναπτύξουμε πολλές λύσεις με διαφορετικά προφίλ κινδύνου που στοχεύουν σε διαφορετικές περιπτώσεις χρήσης. Για παράδειγμα, αναπτύξαμε την PROCOVA επειδή είναι εξαιρετικά χαμηλού κινδύνου, γεγονός που μας επέτρεψε να ζητήσουμε μια γνώμη ποιοτικής από την Ευρωπαϊκή Υπηρεσία Φαρμάκων (EMA) για χρήση ως πρωτεύουσα ανάλυση στις φάσεις 2 και 3 κλινικών δοκιμών με συνεχείς αποτελέσματα. Αλλά η PROCOVA δεν αξιοποιεί όλα τα στοιχεία που παρέχονται από τις ψηφιακές δίδυμες που δημιουργούμε για τους συμμετέχοντες – αφήνει κάποια απόδοση στο τραπέζι για να συμμορφωθεί με τις κατευθυντήριες οδηγίες των κανονισμών. Βέβαια, η Unlearn υπάρχει για να推 τις grenzen ώστε να μπορούμε να εκκινήσουμε πιο καινοτόμες λύσεις που στοχεύουν σε εφαρμογές σε προηγούμενες φάσεις μελετών ή μετα-ανάλυσης όπου μπορούμε να χρησιμοποιήσουμε άλλους τύπους μεθόδων (π.χ. Bayesian αναλύσεις) που παρέχουν πολύ περισσότερη αποτελεσματικότητα από ότι μπορούμε με την PROCOVA.

Τι έχουν ήταν κάποια από τα πιο σημαντικά προκλήματα και τα βήματα για την Unlearn στην αξιοποίηση της AI στην ιατρική;

Η μεγαλύτερη πρόκληση για εμάς και για οποιονδήποτε άλλον που εμπλέκεται στην εφαρμογή της AI σε προβλήματα της ιατρικής είναι πολιτιστική. Τώρα, η πλειοψηφία των ερευνητών στην ιατρική δεν είναι εξαιρετικά εξοικειωμένοι με την AI και συνήθως είναι λανθασμένα ενημερωμένοι σχετικά με το πώς λειτουργούν οι υποκείμενες τεχνολογίες. Ως αποτέλεσμα, οι περισσότεροι άνθρωποι είναι εξαιρετικά σκεπτικοί ότι η AI θα είναι χρήσιμη στο κοντινό μέλλον. Νομίζω ότι αυτό θα αλλάξει αναπόφευκτα τα επόμενα χρόνια, αλλά η βιολογία και η ιατρική γενικά παραμένουν πίσω από hầu hết τα άλλα πεδία όσον αφορά την υιοθέτηση νέων υπολογιστικών τεχνολογιών. Έχουμε कई τεχνολογικές βελτιώσεις, αλλά τα πιο σημαντικά πράγματα για την απόκτηση αποδοχής είναι πιθανότατα τα αποδεικτικά στοιχεία από τους κανονισμούς ή τους πελάτες.

Τι είναι η γενικότερη οπτική σας για την χρήση των μαθηματικών και της υπολογιστικής στην βιολογία;

 Στην άποψή μου, μπορούμε να ονομάσουμε κάτι “επιστήμη” μόνο αν ο στόχος της είναι να κάνει ακριβείς, ποσοτικές προβλέψεις για τα αποτελέσματα μελλοντικών πειραμάτων. Τώρα, περίπου το 90% των φαρμάκων που εισέρχονται σε κλινικές δοκιμές αποτυγχάνουν, συνήθως επειδή δεν λειτουργούν πραγματικά. Οπότε, είμαστε πραγματικά μακράν από το να κάνουμε ακριβείς, ποσοτικές προβλέψεις τώρα όταν πρόκειται για την πλειοψηφία των περιοχών της βιολογίας και της ιατρικής. Δεν νομίζω ότι αυτό αλλάζει μέχρις ότου το κέντρο αυτών των επιστημών αλλάξει – μέχρις ότου οι μαθηματικές και υπολογιστικές μεθόδους γίνουν τα βασικά εργαλεία συλλογισμού της βιολογίας. Η ελπίδα μου είναι ότι η δουλειά που κάνουμε στην Unlearn υπογραμμίζει την αξία της λήψης μιας “πρώτης AI” προσεγγίσεως για την επίλυση ενός σημαντικού πρακτικού προβλήματος στην ιατρική έρευνα και ότι οι μελλοντικοί ερευνητές θα μπορέσουν να πάρουν αυτή τη κουλτούρα και να την εφαρμόσουν σε ένα ευρύτερο σύνολο προβλημάτων.

Ευχαριστούμε για τη μεγάλη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα μπορούν να επισκεφθούν την Unlearn.