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

Ο Charles Fisher, Ph.D., είναι ο CEO και ιδρυτής της Unlearn, μια πλατφόρμα που αξιοποιεί την τεχνητή νοημοσύνη για την αντιμετώπιση κάποιων από τα μεγαλύτερα προβλήματα στην κλινική ανάπτυξη: τις μακρές χρονικές περίοδοι των δοκιμών, τους υψηλούς κόστους και τις αβέβαιες εξελίξεις. Τα καινοτόμα μοντέλα AI αναλύουν τεράστιες ποσότητες δεδομένων σε επίπεδο ασθενή για να προβλέψουν τις επιπτώσεις στην υγεία των ασθενών. Ενσωματώνοντας ψηφιακές δίδυμες στις κλινικές δοκιμές, η Unlearn μπορεί 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 στη Leap Motion και ως υπολογιστικός βιολόγος στη Pfizer. Ήταν Philippe Meyer Fellow στη θεωρητική φυσική στο École Normale Supérieure στο Παρίσι, Γαλλία, και μεταδιδάκτωρ επιστήμονας στη βιοφυσική στο Boston University. Ο Charles κατέχει Ph.D. στη βιοφυσική από το Harvard University και B.S. στη βιοφυσική από το University of Michigan.

Είστε σήμερα στην μειονότητα στη 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 στη δημιουργία μεγάλων βιολογικών συνόλων δεδομένων που απαιτούνται. Νομίζω ότι είναι αναπόφευκτο ότι η βιολογία θα μεταβεί σε μια πιο υπολογιστική επιστήμη μέσα στην επόμενη δεκαετία.

Πώς μεταφέρθηκε αυτή η πίστη στη συνέχεια στην εκκίνηση της Unlearn;

Στον παρελθόν, πολλές υπολογιστικές μεθόδους στη βιολογία έχουν θεωρηθεί ότι λύνουν προβλήματα παιχνιδιού ή προβλήματα που απέχουν πολύ από τις εφαρμογές στη медициνή, το οποίο έχει κάνει δύσκολο να αποδείξουν πραγματική αξία. Ο στόχος μας είναι να εφευρέσουμε νέες μεθόδους AI για την επίλυση προβλημάτων στη медициνή, αλλά εστιάζουμε επίσης στην εύρεση περιοχών, όπως στις κλινικές δοκιμές, όπου μπορούμε να αποδείξουμε πραγματική αξία.

Μπορείτε να εξηγήσετε την αποστολή της Unlearn για την εξάλειψη της δοκιμής και του λάθους στη медициνή μέσω της AI;

Είναι συνηθισμένο στη μηχανική να σχεδιάζουμε και να δοκιμάζουμε μια συσκευή χρησιμοποιώντας ένα υπολογιστικό μοντέλο πριν την κατασκευή του πραγματικού. Θα ήθελα να ενεργοποιήσουμε κάτι παρόμοιο στη медициνή. Μπορούμε να προσομοιώσουμε την επίδραση που θα έχει μια θεραπεία σε ένα ασθενή πριν του τη δώσουμε; Αν και νομίζω ότι το πεδίο είναι khá μακριά από αυτό σήμερα, ο στόχος μας είναι να εφευρέσουμε την τεχνολογία για να το κάνουμε δυνατό.

Πώς χρησιμοποιεί η Unlearn τις ψηφιακές δίδυμες στις κλινικές δοκιμές για να επιταχύνει τη διεργασία έρευνας και να βελτιώσει τα αποτελέσματα;

Η Unlearn εφευρίσκει μοντέλα AI που ονομάζονται γεννήτριες ψηφιακών διδύμων (DTGs) που δημιουργούν ψηφιακές δίδυμες των συμμετεχόντων στις κλινικές δοκιμές. Η ψηφιακή δίδυμη κάθε συμμετέχοντα προβλέπει ποιο θα είναι το αποτέλεσμα αν λάβει το εικονικό φάρμακο σε μια κλινική δοκιμή. Αν τα DTGs μας ήταν απόλυτα ακριβή, τότε, με principle, 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 περίοδοι των δοκιμών.

Μπορείτε να εξηγήσετε με ακρίβεια τι είναι η μεθοδολογία Prognostic Covariate Adjustment (PROCOVA™) της Unlearn;

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

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

Οι λύσεις που στοχεύουν στις κλινικές δοκιμές γενικά ρυθμίζονται με βάση το контέκστ τους χρήσης, το οποίο σημαίνει ότι μπορούμε να αναπτύξουμε πολλές λύσεις με διαφορετικά προφίλ κινδύνου που στοχεύουν σε διαφορετικές περιπτώσεις χρήσης. Για παράδειγμα, αναπτύξαμε την PROCOVA γιατί είναι εξαιρετικά χαμηλού κινδύνου, το οποίο μας επέτρεψε να ζητήσουμε μια γνώμη ποιοτικής από την Ευρωπαϊκή Υπηρεσία Φαρμάκων (EMA) για χρήση ως πρωταρχική ανάλυση στις φάσεις 2 και 3 κλινικών δοκιμών με συνεχείς αποτελέσματα. Αλλά η PROCOVA δεν αξιοποιεί όλες τις πληροφορίες που παρέχονται από τις ψηφιακές δίδυμες που δημιουργούμε για τους συμμετέχοντες στη δοκιμή – αφήνει κάποια απόδοση στο τραπέζι για να ευθυγραμμίσει με τις οδηγίες των κανονισμών. Φυσικά, η Unlearn υπάρχει για να推 τις grenrant so we can launch πιο καινοτόμες λύσεις που στοχεύουν σε εφαρμογές σε πρώιμα στάδια μελετών ή μετα-ανάλυσης όπου μπορούμε να χρησιμοποιήσουμε άλλους τύπους μεθόδων (π.χ. Bayesian αναλύσεις) που παρέχουν πολύ μεγαλύτερη αποτελεσματικότητα από ότι μπορούμε με την PROCOVA.

Τι έχουν ήταν κάποια από τα σημαντικότερα προκλήματα και τα βήματα για την Unlearn στην αξιοποίηση της AI στη медициνή;

Η μεγαλύτερη πρόκληση για εμάς και για οποιονδήποτε άλλον που εμπλέκεται στην εφαρμογή της AI σε προβλήματα της ιατρικής είναι πολιτιστική. Hiện, η συντριπτική πλειοψηφία των ερευνητών στη медициνή συγκεκριμένα 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 σκεπτικιστές 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 όταν πρόκειται για την υιοθέτηση νέων υπολογιστικών τεχνολογιών. Έχουμε πολλές τεχνολογικές βελτιώσεις, αλλά τα πιο σημαντικά πράγματα για την απόκτηση αποδοχής είναι πιθανότατα σημεία απόδειξης από τους κανονισμούς ή τους πελάτες.

Τι είναι η ολική σας όραση για την χρήση των μαθηματικών και της υπολογιστικής στη 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. Έτσι, είμαστε πραγματικά μακριά από την κάνουμε ακριβείς, ποσοτικές προβλέψεις σήμερα όταν πρόκειται για hầu hết τις περιοχές της βιολογίας και της ιατρικής. Δεν νομίζω ότι αυτό αλλάζει μέχρι η πυρήνας αυτών των επιστημών αλλάξει – μέχρι οι μαθηματικές και υπολογιστικές μεθόδους να γίνουν τα βασικά εργαλεία συλλογισμού της βιολογίας. Η ελπίδα μου είναι ότι η δουλειά που κάνουμε στην Unlearn υπογραμμίζει την αξία της λήψης μιας “AI-πρώτης” προσέγγισης για την επίλυση ενός σημαντικού πρακτικού προβλήματος στην ιατρική έρευνα, και μελλοντικοί ερευνητές μπορούν να πάρουν αυτήν την κουλτούρα και να την εφαρμόσουν σε ένα ευρύτερο σύνολο προβλημάτων.

Ευχαριστώ για τη μεγάλη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να επισκεφθούν Unlearn.