Charles Fisher, Ph.D., CEO & Damezrînerê Unlearn - Rêzeya Hevpeyvînê

Charles Fisher, Ph.D., CEO û Damezrînerê ye Unlearn, platformek ku AI-ê dixebitîne da ku di pêşkeftina klînîkî de hin tengahiyên herî mezin çareser bike: demên ceribandina dirêj, lêçûnên bilind, û encamên nediyar. Modelên wan ên nû yên AI-ê gelek daneyên asta nexweş analîz dikin da ku encamên tenduristiya nexweşan pêşbîn bikin. Bi entegrekirina cêwîyên dîjîtal di ceribandinên klînîkî de, Unlearn dikare lêkolîna klînîkî bilez bike û bibe alîkar ku dermanên nû yên jiyanê ji nexweşên hewcedar re bîne.

Charles zanyarek e ku di çarçoweya fîzîkê, fêrbûna makîneyê, û biyolojiya hesabker de eleqedar e. Berê, Charles wekî endezyarek fêrbûna makîneyê li Leap Motion û biyologek hesabker li Pfizer xebitî. Ew li École Normale Supérieure li Parîs, Fransa, di warê fîzîkê ya teorîk de, li Parîs, Fransa, û li zanîngeha Bostonê di warê biyofizîkê de zanyarê postdoktorayê bû. Charles xwediyê Ph.D. di biyofizîkê de ji Zanîngeha Harvard û BS di biyofizîkê de ji Zanîngeha Michigan.

Hûn niha di hindikahiyê de ne di baweriya xwe ya bingehîn de ku matematîk û hesab divê bingeha biyolojiyê be. Hûn di destpêkê de çawa gihîştin van encaman?

Ev belkî tenê ji ber ku matematîk û rêbazên hesabkirinê di van salên dawî de di perwerdehiya biyolojiyê de têra xwe nehatine balkişandin, lê ji cihê ku ez rûdiniştim, mirov dest bi guhertina ramanên xwe dikin û bi min re dipejirînin. Tora neuralî ya kûr ji bo pergalên tevlihev komek amûrek nû daye me, û otomasyon dibe alîkar ku danûstendinên biyolojîkî yên mezin ên hewce çêbikin. Ez difikirim ku ew neçar e ku biyolojî di deh salên pêş de bêtir bibe zanistek hesabker.

Wê hingê ev bawerî çawa derbasî destpêkirina Unlearn bû?

Di paşerojê de, di biyolojiyê de gelek rêbazên hesabkirinê wekî çareserkirina pirsgirêkên pêlîstokan an pirsgirêkên ku ji serîlêdanên di bijîşkiyê de dûr in, hatine dîtin, ku ev yek zehmet kiriye ku nirxa rastîn nîşan bide. Armanca me ev e ku em di AI-ê de rêbazên nû îcad bikin da ku pirsgirêkên di derman de çareser bikin, lê em di heman demê de li ser dîtina deveran, mîna ceribandinên klînîkî, ku em dikarin nirxa rastîn nîşan bidin, hûr dibin.

Ma hûn dikarin mîsyona Unlearn-ê rave bikin ku ceribandin û xeletiya di dermanê de bi AI-ê ji holê rabike?

Di endezyariyê de gelemper e ku berî avakirina tiştê rast, amûrek bi karanîna modelek komputerê sêwirandin û ceribandin. Em dixwazin di dermankirinê de tiştek bi vî rengî çalak bikin. Ma em dikarin bandora dermankirinek li ser nexweşek berî ku em bidin wî simul bikin? Her çend ez difikirim ku îro qad ji wiya pir dûr e, armanca me ev e ku em teknolojiyê îcad bikin da ku wê gengaz bikin.

Di ceribandinên klînîkî de karanîna cêwîyên dîjîtal ên Unlearn çawa pêvajoya lêkolînê bilez dike û encaman baştir dike?

Unlearn modelên AI-ê yên bi navê jeneratorên cêwî yên dîjîtal (DTG) îcad dike ku cêwîyên dîjîtal ên beşdarên ceribandina klînîkî çêdike. Cewhera dîjîtal a her beşdaran pêşbîn dike ku heke wan di ceribandinek klînîkî de cîhêbo werbigire dê encama wan çi be. Ger DTG-yên me bêkêmasî rast bûn, wê hingê, di prensîbê de, ceribandinên klînîkî dikarin bêyî komên cîhbo bêne meşandin. Lê di pratîkê de, hemî model xeletiyan dikin, ji ber vê yekê em armanc dikin ku ceribandinên rasthatî sêwirînin ku ji ceribandinên kevneşopî komên cîhbo piçûktir bikar tînin. Vê yekê qeydkirina xwendinê hêsantir dike, demên ceribandinê zûtir dike.

Ma hûn dikarin bi hûrgulî li ser rêgeza Rêzdarkirina Birêkûpêk-kalîfîye ya Unlearn-ê ya Veguheztina Hevparî (PROCOVA™) bi hûrgulî çi ye?

PROCOVA™ rêbaza yekem e ku me pêşxistiye ku destûrê dide cêwiyên dîjîtal ên beşdaran ku di ceribandinên klînîkî de werin bikar anîn da ku encamên ceribandinê li hember xeletiyên ku model di pêşbîniyên xwe de bike bi hêz bin. Di bingeh de, PROCOVA vê rastiyê bikar tîne ku hin beşdarên lêkolînê bi rengek bêkêmasî li koma cîhbo têne destnîşan kirin da ku pêşbîniyên cêwîyên dîjîtal bi karanîna rêbazek statîstîkî ya ku jê re verastkirina hevkêşî tê gotin rast bikin. Ev rê dide me ku em lêkolînan sêwirînin ku komên kontrolê yên piçûktir ji normal bikar tînin an ku xwedan hêza statîstîkî ya bilindtir in di heman demê de piştrast dikin ku ew lêkolîn hîn jî nirxandinên hişk ên bandora dermankirinê peyda dikin. Em di heman demê de R&D berdewam dikin da ku vê xeta çareseriyê berfireh bikin û lêkolînên hîn bi hêztir pêşde bibin.

Unlearn di pêşkeftina çareseriyên xwe yên AI-ê de çawa nûbûniyê bi pêbendbûna birêkûpêk re hevseng dike?

Çareseriyên ku bi ceribandinên klînîkî têne armanc kirin bi gelemperî li ser bingeha karanîna wan têne rêve kirin, ku tê vê wateyê ku em dikarin gelek çareseriyên bi profîlên xeternak ên cihêreng ên ku ji bo dozên karanîna cûda têne armanc kirin pêşve bibin. Mînakî, me PROCOVA pêş xist ji ber ku ew xeterek pir kêm e, ku hişt ku em ji Ajansa Dermanên Ewropî (EMA) nêrînek kalîteyê bişopînin da ku wekî analîza bingehîn di ceribandinên klînîkî yên qonaxa 2 û 3 de bi encamên domdar bikar bînin. Lê PROCOVA hemî agahdariya ku ji hêla cêwîyên dîjîtal ên ku em ji bo beşdarên ceribandinê diafirînin bikar nayîne - ew hin performansê li ser maseyê dihêle da ku bi rêbernameya birêkûpêk re li hev bike. Bê guman, Unlearn heye ku sînoran bişkîne da ku em bikarin çareseriyên nûjentir ên ku ji bo serîlêdanên di lêkolînên qonaxên berê de an analîzên post-hoc de têne armanc kirin ku em dikarin cûreyên din ên rêbazên bikar bînin (mînak, analîzên Bayesian) yên ku ji ya me pir zêde karîgeriyê peyda dikin bikar bînin. bi PROCOVA.

Ji bo Unlearn-ê di karanîna AI-ê de di derman de hin ji wan dijwarî û serketinên herî girîng çi ne?

Pirsgirêka herî mezin ji bo me û her kesê din ku di sepandina AI-ê de ji bo pirsgirêkên di derman de têkildar e, çandî ye. Heya nuha, pirraniya lêkolînerên di dermanê de bi taybetî bi AI-ê re ne pir naskirî ne, û ew bi gelemperî di derbarê ka teknolojiyên bingehîn de bi rastî çawa dixebitin xelet têne agahdar kirin. Wekî encamek, pir kes pir bi guman in ku AI dê di demek nêzîk de bikêr be. Ez difikirim ku ew ê di salên pêş de bê guman biguhezîne, lê biyolojî û derman bi gelemperî dema ku ew tê ser pejirandina teknolojiyên nû yên komputerê li paş pir warên din paşde dimînin. Me gelek destkeftiyên teknolojîk hebûn, lê tiştên herî girîng ên ji bo bidestxistina pejirandinê belkî xalên delîlan ji sazûmanker an xerîdar in.

Vîzyona weya giştî ji bo karanîna matematîk û hesabkirinê di biyolojiyê de çi ye?

 Bi dîtina min, em tenê dikarin ji tiştekî re bibêjin "zanist" heke mebesta wê ew be ku di derheqê encamên ceribandinên pêşerojê de pêşbîniyên rast û mîqdar bike. Heya nuha, nêzîkê 90% ji dermanên ku dikevin ceribandinên klînîkî yên mirovî têk diçin, bi gelemperî ji ber ku ew bi rastî ne dixebitin. Ji ber vê yekê, em bi rastî ji çêkirina pêşbîniyên rast, hejmarî dûr in dema ku ew pir beşên biyolojî û derman tê. Ez nafikirim ku heta ku bingeha wan dîsîplînan neguhere ew nayê guhertin - heya ku matematîk û rêbazên hesabkirinê bibin amûrên bingehîn ên biyolojiyê. Hêviya min ev e ku xebata ku em li Unlearn dikin, nirxa girtina nêzîkatiyek "AI-yekemîn" ji bo çareserkirina pirsgirêkek pratîkî ya girîng di lêkolîna bijîjkî de ronî dike, û lêkolînerên pêşerojê dikarin wê çandê bigirin û wê li komek berfirehtir pirsgirêkan bicîh bînin. .

Spas ji bo hevpeyivîna hêja, xwendevanên ku dixwazin bêtir fêr bibin divê biçin Unlearn.