Charles Fisher, Ph.D., Unlearnin CEO & perustaja – Haastattelusarja

Charles Fisher, Ph.D., on Unlearnin CEO ja perustaja, joka on kehittänyt alustan, joka hyödyntää tekoälyä ratkaisemaan joitakin kliinisen kehityksen suurimmista pullonkauloista: pitkät tutkimusaikataulut, korkeat kustannukset ja epävarmat tulokset. Heidän uudet tekoälymallit analysoivat laajoja määriä potilastason tietoja ennustamaan potilaiden terveyden tuloksia. Liittämällä digitaaliset kaksoset kliinisiin tutkimuksiin, Unlearn pystyy kiihdyttämään kliinistä tutkimusta ja auttamaan elämän pelastavien uusien hoitojen saattamisessa potilaille, jotka niitä tarvitsevat.

Charles on tutkija, jolla on kiinnostuksia fysiikan, koneoppimisen ja laskennallisen biologian risteyksessä. Aikaisemmin Charles työskenteli koneoppimisen insinöörinä Leap Motionissa ja laskennallisen biologian tutkijana Pfizerissä. Hän oli Philippe Meyer -stipendiaatti teoreettisessa fysiikassa École Normale Supérieure -yliopistossa Pariisissa, Ranskassa, ja postdoc-tutkija biofiysiikassa Bostonin yliopistossa. Charlesilla on biofiysiikan tohtorin tutkinto Harvardin yliopistosta ja biofiysiikan kandidaatin tutkinto Michiganin yliopistosta.

Olet tällä hetkellä vähemmistössä perususkomuksessasi, että matematiikka ja laskenta tulisi olla biologian perusta. Miten pääsit alun perin tähän johtopäätökseen?

Se on luultavasti vain siksi, että matematiikkaa ja laskennallisia menetelmiä ei ole painotettu riittävästi biologian koulutuksessa viime aikoina, mutta siitä, mihin istun, ihmiset alkavat muuttaa mielipidettään ja suostua minun kanssa. Syvät neuroniverkot ovat antaneet meille uuden joukon työkaluja monimutkaisille järjestelmille, ja automaatio auttaa luomaan suurten biologisten tietojoukkojen, joita vaaditaan. Luulen, että on väistämätöntä, että biologia siirtyy enemmän laskennalliseksi tieteeksi seuraavien kymmenen vuoden aikana.

Miten tämä uskomus siirtyi sitten Unlearnin perustamiseen?

Menneisyydessä monet laskennalliset menetelmät biologiassa on nähty ratkaisevan leluproblematiikkaa tai ongelmia, jotka ovat kaukana sovelluksista lääketieteessä, mikä on tehnyt vaikeaksi osoittaa todellista arvoa. Tavoitteemme on kehittää uusia menetelmiä tekoälyssä ratkaisemaan lääketieteellisiä ongelmia, mutta keskitymme myös etsimään alueita, kuten kliinisiä tutkimuksia, joissa voimme osoittaa todellista arvoa.

Voitko selittää Unlearnin tehtävän poistaa koet ja virheet lääketieteestä tekoälyn avulla?

On yleistä insinööritieteessä suunnitella ja testata laitetta tietokoneella ennen sen rakentamista. Haluamme mahdollistaa samanlaisen lääketieteessä. Voimmeko simuloida hoidon vaikutusta potilaaseen ennen kuin annamme sen hänelle? Vaikka luulen, että ala on melko kaukana siitä tänään, tavoitteemme on kehittää teknologia, joka tekee sen mahdolliseksi.

Miten Unlearnin käyttö digitaalisista kaksosista kliinisissä tutkimuksissa kiihdyttää tutkimusprosessia ja parantaa tuloksia?

Unlearn kehittää tekoälymalleja, joita kutsutaan digitaalisten kaksosten generoijiksi (DTG), jotka luovat digitaalisia kaksosia kliinisen tutkimuksen osanottajista. Kunkin osanottajan digitaalinen kaksonen ennustaa, mikä olisi hänen tuloksensa, jos hänelle annettaisiin lumelääkettä kliinisessä tutkimuksessa. Jos DTG-mme olisivat täysin tarkkoja, kliiniset tutkimukset voitaisiin suorittaa ilman lumeryhmiä. Käytännössä kaikki mallit tekevät virheitä, joten tavoitteemme on suunnitella satunnaistettuja tutkimuksia, jotka käyttävät pienempiä lumeryhmiä kuin perinteiset tutkimukset. Tämä tekee siitä helpompaa osallistua tutkimukseen, mikä nopeuttaa tutkimusaikatauluja.

Voitko tarkastella tarkasti, mitä on Unlearnin sääntelykelpoinen Prognostic Covariate Adjustment (PROCOVA) -menetelmä?

PROCOVA on ensimmäinen menetelmä, jonka kehittäminen sallii osanottajien digitaalisten kaksosten käytön kliinisissä tutkimuksissa siten, että tutkimuksen tulokset ovat vahvoja mallin mahdollisista virheistä sen ennusteissa. PROCOVA käyttää sitä tosiasiaa, että jotkut tutkimuksen osanottajista on satunnaisesti määrätty lumeryhmään, jotta digitaalisten kaksosten ennusteet voidaan korjata tilastollisella menetelmällä, jota kutsutaan kovaariatiomuutoksella. Tämä mahdollistaa tutkimusten suunnittelun, joissa on pienemmät kontrolliryhmät kuin normaalisti tai joilla on suurempi tilastollinen voima, varmisteten, että nämä tutkimukset antavat silti vahvat arviot hoidon tehokkuudesta. Jatkamme myös tuotekehitystä laajentaaksemme tämän ratkaisujen sarjan ja tarjoataksemme entistä voimakkaampia tutkimuksia tulevaisuudessa.

Miten Unlearn tasapainottaa innovaatiota sääntelymukaisuuden kanssa tekoälyratkaisujen kehittämisessä?

Ratkaisut, jotka on suunniteltu kliinisiin tutkimuksiin, sääntelymukaisuuden perusteella, mikä tarkoittaa, että voimme kehittää useita ratkaisuja, joilla on erilaiset riskiprofiilit, ja joita on tarkoitettu eri käyttötarkoituksiin. Esimerkiksi kehittimme PROCOVAn, koska se on erittäin alhaisen riskin, mikä mahdollisti meidän hakea lausuntoa Euroopan lääkevirastolta (EMA) sen käytöstä pääanalyytikonna vaiheen 2 ja 3 kliinisissä tutkimuksissa jatkuvilla tuloksilla. PROCOVA ei kuitenkaan hyödyntää kaikkea tietoa, jonka digitaaliset kaksoset luovat tutkimuksen osanottajille – se jättää osan suorituskyvystä sääntelyohjeiden mukaisesti. Tietysti Unlearn on olemassa rajojen venyttämiseksi, jotta voimme lanseerata innovatiivisempia ratkaisuja, jotka on tarkoitettu sovelluksiin varhaisissa tutkimuksissa tai jälkikäteen analyysissä, joissa voimme käyttää muita menetelmiä (esim. Bayes-ilmiöitä), jotka antavat paljon enemmän tehokkuutta kuin mitä voimme saada PROCOVAn avulla.

Mitkä ovat olleet Unlearnin merkittävimmät haasteet ja läpimurrot tekoälyn käytössä lääketieteessä?

Suurin haaste meidän ja muiden lääketieteessä tekoälyä soveltavien on kulttuurinen. Tällä hetkellä lääketieteessä työskentelevistä tutkijoista valtaosa ei ole erittäin perehtynyt tekoälyyn, ja heidät on yleensä väärin informoitu siitä, miten perusteknologiat tosiasiassa toimivat. Seurauksena suurin osa ihmisistä on erittäin epäileviä siitä, että tekoäly olisi hyödyllistä lähitulevaisuudessa. Luulen, että se muuttuu väistämättömästi tulevina vuosina, mutta biologia ja lääketiede yleensä jäävät jälkeen useimpien muiden alojen kehityksestä, kun on kyse uusien tietokoneteknologioiden omaksumisesta. Olemme saavuttaneet useita teknologisia läpimurtoja, mutta tärkeimmät asiat omaksumisen kannalta ovat luultavasti sääntelijöiden tai asiakkaiden näyttökohtia.

Mikä on sinun yleisimmän visiosi matematiikan ja laskennan käytöstä biologiassa?

Minun mielestäni voidaan kutsua jotakin “tieteeksi” vain, jos sen tavoitteena on tehdä tarkkoja, määrällisiä ennusteita tulevien kokeiden tuloksista. Tällä hetkellä noin 90 % lääkkeistä, jotka aloittavat ihmiskokeet, epäonnistuvat, usein siksi, että ne eivät tosiasiassa toimi. Emme ole siis vielä saavuttaneet tarkkoja, määrällisiä ennusteita biologian ja lääketieteellisten alojen suhteen. En usko, että se muuttuu, kunnes näiden alojen ydin muuttuu – kunnes matematiikka ja laskennalliset menetelmät tulevat biologian perustaviksi päättelyvälineiksi. Toivoni on, että työmme Unlearnissa korostaa “tekoäly-ensin” -lähestymistavan arvoa lääketieteellisen tutkimuksen tärkeän käytännön ongelman ratkaisemisessa, ja tulevat tutkijat voivat ottaa tämän kulttuurin ja soveltaa sitä laajempaan joukkoon ongelmia.

Kiitos haastattelusta, lukijat, jotka haluavat oppia lisää, voivat vierailla Unlearn:ssa.