Charles Fisher, FT, Unlearnin perustaja ja toimitusjohtaja – Haastattelusarja

Charles Fisher, FT, on Unlearnin perustaja ja toimitusjohtaja, ja Unlearn on alusta, joka hyödyntää tekoälyä ratkaisemaan joitakin kliinisen kehityksen suurimmista pullonkauloista: pitkiä kokeiden aikatauluja, korkeita kustannuksia ja epävarmoja tuloksia. Heidän uudet tekoälymallit analysoivat valtavia määriä potilaskohtaisia tietoja ennustamaan potilaiden terveydentilan tuloksia. Liittämällä digitaaliset kaksoset kliinisiin kokeisiin Unlearn pystyy kiihdyttämään kliinistä tutkimusta ja auttamaan elämän pelastavien uusien hoitomenetelmien saattamisessa potilaille, jotka niitä tarvitsevat.

Charles on tiedemies, jolla on kiinnostuksia fysiikan, koneoppimisen ja laskennallisen biologian risteymässä. 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 perususkomuksesi suhteen, jonka mukaan matematiikka ja laskenta tulisi olla biologian perustana. Miten pääsit alun perin näihin johtopäätöksiin?

Se on luultavasti vain siksi, että matematiikkaa ja laskentamenetelmiä ei ole painotettu riittävästi biologian koulutuksessa viime aikoina, mutta siitä, mihin istun, ihmiset alkavat muuttaa mielipidettään ja olla samaa mieltä minun kanssani. Syvät neuroniverkot ovat antaneet meille uuden joukon työkaluja monimutkaisille järjestelmille, ja automaatio auttaa luomaan suurten biologisten tietojoukkojen, jotka vaaditaan. Luulen, että on väistämätöntä, että biologia siirtyy enemmän laskennalliseksi tieteeksi seuraavan vuosikymmenen aikana.

Miten tämä usko siirtyi sitten Unlearnin perustamiseen?

Aikaisemmin monet laskennalliset menetelmät biologiassa on nähty ratkaisseiden joko “leikkikaluongelmia” tai ongelmia, jotka ovat kaukana sovelluksista lääketieteessä, mikä on tehnyt vaikeaksi osoittaa todellista arvoa. Tavoitteemme on keksiä uusia menetelmiä tekoälyssä ratkaisemaan ongelmia lääketieteessä, mutta me keskitymme myös etsimään alueita, kuten kliinisiä kokeita, joissa voimme osoittaa todellista arvoa.

Voi selittää Unlearnin tehtävän poistaa koehenkilöiden ja virheiden kokeilu lääketieteestä tekoälyn avulla?

On yleistä insinöörintiyössä suunnitella ja testata laitetta tietokoneella ennen kuin se rakennetaan. 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 keksiä teknologia, joka tekee sen mahdolliseksi.

Miten Unlearnin digitaalisten kaksosten käyttö kliinisissä kokeissa kiihdyttää tutkimusprosessia ja parantaa tuloksia?

Unlearn keksii tekoälymallit, joita kutsutaan digitaalisten kaksosten generoijiksi (DTG), jotka luovat digitaalisia kaksosia kliinisen koehenkilöistä. Kunkin koehenkilön digitaalinen kaksosennustaa, mikä olisi hänen tuloksensa, jos hänelle annettaisiin lumelääkettä kliinisessä kokeessa. Jos DTG: mme olisivat täysin tarkkoja, kliiniset kokeet voitaisiin suorittaa ilman lumeryhmiä. Mutta käytännössä kaikki mallit tekevät virheitä, joten pyrimme suunnittelemaan satunnaistettuja kokeita, jotka käyttävät pienempiä lumeryhmiä kuin perinteiset kokeet. Tämä tekee siitä helpompaa osallistua tutkimukseen, mikä nopeuttaa koetuloksia.

Voi selittää tarkemmin, mitä Unlearnin sääntelyyn hyväksytty Prognostic Covariate Adjustment (PROCOVA ™) -menetelmä on?

PROCOVA on ensimmäinen menetelmä, jonka keksimme, joka sallii koehenkilöiden digitaalisten kaksosten käytön kliinisissä kokeissa siten, että koetulokset ovat vahvoja mallin virheisiin tekemiin ennusteisiin. PROCOVA hyödyntää sitä tosiasiaa, että jotkut tutkimuksen osallistujista on satunnaisesti määritetty lumeryhmään, jotta digitaalisten kaksosten ennusteita voidaan korjata tilastollisella menetelmällä, jota kutsutaan kohorttisuureen mukauttamiseksi. Tämä mahdollistaa tutkimusten suunnittelun siten, että niissä käytetään pienempiä vertailuryhmiä kuin tavallisissa tutkimuksissa tai niillä on suurempi tilastollinen voima, samalla varmistetaan, että tutkimukset antavat kuitenkin vakuuttavat arviot hoidon tehokkuudesta. Jatkamme myös tutkimus- ja kehitystyötä laajentaaksemme tätä ratkaisulinjaa ja tarjoataksemme entistä voimakkaampia tutkimuksia tulevaisuudessa.

Miten Unlearn tasapainottaa innovaatiota ja sääntelymukaisuutta tekoälyratkaisujensa kehittämisessä?

Ratkaisut, jotka on tarkoitettu kliinisiin kokeisiin, sääntelyperusteena on yleensä niiden käyttökonteksti, mikä tarkoittaa, että voimme kehittää useita ratkaisuja, joilla on erilaiset riskiprofiilit ja joita voidaan käyttää eri kohteissa. Esimerkiksi keksimme PROCOVAn, koska se on erittäin alhaisen riskin, mikä mahdollisti meidän hakea lausunnon Euroopan lääkevirastolta (EMA) sen käyttämisestä ensisijaisena analyysinä vaiheen 2 ja 3 kliinisissä kokeissa jatkuvilla tuloksilla. Mutta PROCOVA ei hyödyntää kaikkea tietoa, jonka digitaaliset kaksoset luovat koehenkilöille – se jättää jotain suorituskyvystä taakse sääntelyohjeiden mukaisesti. Tietysti Unlearn on olemassa rajojen venyttämiseksi, jotta voimme lanseerata innovatiivisempia ratkaisuja, jotka on tarkoitettu sovelluksiin varhaisemmissa tutkimuksissa tai jälkikäteen analysoinnissa, joissa voidaan käyttää muita menetelmiä (esim. Bayes-ilmiöitä), jotka tarjoavat paljon enemmän tehokkuutta kuin PROCOVA.

Mitkä ovat olleet joitakin merkittävimmistä haasteista ja läpimurroista Unlearnilla tekoälyn käytössä lääketieteessä?

Suurin haaste meille ja muille, jotka soveltavat tekoälyä lääketieteessä, on kulttuurinen. Tällä hetkellä lääketieteen tutkijoista suurin osa ei ole erityisen tuttuja tekoälystä, ja heidät on yleensä väärin informoitu siitä, miten perusteknologiat tosiasiallisesti toimivat. Seurauksena on, että useimmat ihmiset ovat erittäin epäileviä siitä, että tekoäly olisi hyödyllistä lähitulevaisuudessa. Luulen, että se muuttuu väistämättömästi tulevina vuosina, mutta biologia ja lääketiede jäävät yleensä jälkeen useimpien muiden alojen kehityksestä, kun on kyse uusien tietokoneteknologioiden omaksumisesta. Olemme saavuttaneet useita teknologisia läpimurtoja, mutta tärkein asia hyväksynnän saamiseksi on todennäköisesti todisteet sääntelijöiltä tai asiakkailta.

Mikä on sinun yleisimmän visionisi 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 % lääkeaineista, jotka aloittavat kliiniset kokeet, epäonnistuvat yleensä, koska ne eivät tosiasiallisesti toimi. Emme ole siis vielä saavuttaneet tarkkoja, määrällisiä ennusteita biologian ja lääketieteen suurimman osan suhteen. En usko, että se muuttuu, kunnes biologian ja lääketieteen ydin muuttuu – kunnes matematiikka ja laskennalliset menetelmät tulevat biologian perimmäisiksi päättelyvälineiksi. Toivoni on, että työ, jonka teemme Unlearnissa, korostaa “tekoälyensimmäisen” lähestymistavan arvon ratkaisemiseksi tärkeään käytännön ongelmaan lääketieteellisessä tutkimuksessa, ja tulevat tutkijat voivat ottaa sen kulttuurin ja soveltaa sitä laajempiin ongelmiin.

Kiitos haastattelusta, lukijat, jotka haluavat oppia lisää, voivat vierailla Unlearn-sivustolla.