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

Charles Fisher, Ph.D., is de CEO en oprichter van Unlearn, een platform dat AI gebruikt om enkele van de grootste bottlenecks in klinische ontwikkeling aan te pakken: lange proeftijden, hoge kosten en onzekere resultaten. Hun innovatieve AI-modellen analyseren enorme hoeveelheden patiëntgegevens om de gezondheidsresultaten van patiënten te voorspellen. Door digitale tweelingen in klinische onderzoeken te integreren, kan Unlearn klinisch onderzoek versnellen en helpen om levensreddende nieuwe behandelingen bij patiënten te brengen die dat nodig hebben.

Charles is een wetenschapper met interesses op het snijvlak van natuurkunde, machine learning en computationele biologie. Eerder werkte Charles als machine learning-engineer bij Leap Motion en als computationele bioloog bij Pfizer. Hij was een Philippe Meyer Fellow in theoretische natuurkunde aan de École Normale Supérieure in Parijs, Frankrijk, en een postdoctorale wetenschapper in biofysica aan de Boston University. Charles heeft een Ph.D. in biofysica van de Harvard University en een B.S. in biofysica van de University of Michigan.

U bent momenteel in de minderheid in uw fundamentele overtuiging dat wiskunde en berekening de basis moeten vormen van biologie. Hoe bent u oorspronkelijk tot deze conclusies gekomen?

Dat komt waarschijnlijk omdat wiskunde en computationele methoden in de biologie-educatie van de afgelopen jaren niet genoeg zijn benadrukt, maar vanuit mijn perspectief beginnen mensen van gedachten te veranderen en het met me eens te zijn. Diepe neurale netwerken hebben ons een nieuwe set tools gegeven voor complexe systemen, en automatisering helpt bij het creëren van grote biologische datasets die nodig zijn. Ik denk dat het onvermijdelijk is dat biologie in de komende decennia meer een computationele wetenschap wordt.

Hoe is deze overtuiging vervolgens overgegaan in het lanceren van Unlearn?

In het verleden zijn computationele methoden in biologie vaak gezien als het oplossen van speelgoedproblemen of problemen die ver van toepassingen in de geneeskunde verwijderd zijn, wat het moeilijk heeft gemaakt om echte waarde te demonstreren. Ons doel is om nieuwe methoden in AI uit te vinden om problemen in de geneeskunde op te lossen, maar we zijn ook gefocust op het vinden van gebieden, zoals in klinische onderzoeken, waar we echte waarde kunnen demonstreren.

Kunt u Unlearns missie uitleggen om trial en error in de geneeskunde te elimineren via AI?

Het is gebruikelijk in de techniek om een apparaat te ontwerpen en te testen met een computermodel voordat het echte apparaat wordt gebouwd. We zouden iets soortgelijks in de geneeskunde willen mogelijk maken. Kunnen we de uitwerking van een behandeling op een patiënt simuleren voordat we het aan hen geven? Hoewel ik denk dat het veld nog ver verwijderd is van dat punt vandaag, is ons doel om de technologie uit te vinden om het mogelijk te maken.

Hoe gebruikt Unlearn digitale tweelingen in klinische onderzoeken om het onderzoeksproces te versnellen en de resultaten te verbeteren?

Unlearn vindt AI-modellen uit die digitale tweelingen van klinische proefpersonen genereren, die de resultaten van elke proefpersoon voorspellen alsof ze een placebo in een klinische proef zouden krijgen. Als onze modellen perfect accuraat zouden zijn, zouden klinische onderzoeken in theorie zonder placebogroepen kunnen worden uitgevoerd. Maar in de praktijk maken alle modellen fouten, dus ons doel is om gerandomiseerde onderzoeken te ontwerpen die kleinere placebogroepen gebruiken dan traditionele onderzoeken. Dit maakt het gemakkelijker om deel te nemen aan de studie, waardoor de proeftijden worden versneld.

Kunt u precies uitleggen wat Unlearns regulatorisch gekwalificeerde Prognostic Covariate Adjustment (PROCOVA™) methode is?

PROCOVA is de eerste methode die we hebben ontwikkeld die het mogelijk maakt om de digitale tweelingen van proefpersonen in klinische onderzoeken te gebruiken, zodat de resultaten van de onderzoeken robuust zijn tegen fouten die het model kan maken in zijn voorspellingen. PROCOVA gebruikt het feit dat sommige deelnemers aan een studie willekeurig zijn toegewezen aan de placebogroep om de voorspellingen van de digitale tweelingen te corrigeren met een statistische methode genaamd covariaatadjustie. Dit stelt ons in staat om onderzoeken te ontwerpen die kleinere controlegroepen gebruiken dan normaal of die een hogere statistische kracht hebben, terwijl we ervoor zorgen dat deze onderzoeken nog steeds een grondige beoordeling van de werkzaamheid van de behandeling bieden. We zijn ook voortdurend bezig met R&D om deze lijn van oplossingen uit te breiden en nog krachtigere onderzoeken te bieden in de toekomst.

Hoe balanceert Unlearn innovatie met regelgevingsconformiteit bij de ontwikkeling van zijn AI-oplossingen?

Oplossingen gericht op klinische onderzoeken worden doorgaans gereguleerd op basis van hun context van gebruik, wat betekent dat we meerdere oplossingen kunnen ontwikkelen met verschillende risicoprofielen die zijn gericht op verschillende use cases. We hebben bijvoorbeeld PROCOVA ontwikkeld omdat het extreem laagrisico is, wat ons in staat stelde om een kwalificatie-opinie van de Europese Geneesmiddelenagentschap (EMA) te verkrijgen voor gebruik als primaire analyse in fase 2- en 3-klinische onderzoeken met continue resultaten. Maar PROCOVA benut niet alle informatie die wordt geleverd door de digitale tweelingen die we voor de proefpersonen creëren – het laat enige prestatie op tafel om aan regelgevingsrichtlijnen te voldoen. Natuurlijk bestaat Unlearn om de grenzen te verleggen, zodat we innovatievere oplossingen kunnen lanceren die zijn gericht op toepassingen in eerdere onderzoeken of post-hocanalyses waar we andere soorten methoden kunnen gebruiken (bijv. Bayesiaanse analyses) die veel efficiënter zijn dan we met PROCOVA kunnen bereiken.

Wat zijn enkele van de grootste uitdagingen en doorbraken geweest voor Unlearn bij het gebruik van AI in de geneeskunde?

De grootste uitdaging voor ons en iedereen die betrokken is bij het toepassen van AI op problemen in de geneeskunde is cultureel. Op dit moment zijn de meeste onderzoekers in de geneeskunde niet extreem vertrouwd met AI en zijn ze meestal misleid over hoe de onderliggende technologieën werken. Als gevolg daarvan zijn de meeste mensen zeer sceptisch over het feit dat AI in de nabije toekomst nuttig zal zijn. Ik denk dat dit onvermijdelijk zal veranderen in de komende jaren, maar biologie en geneeskunde liggen over het algemeen achter bij de meeste andere gebieden als het gaat om de adoptie van nieuwe computertechnologieën. We hebben veel technologische doorbraken gehad, maar de belangrijkste dingen voor het verkrijgen van adoptie zijn waarschijnlijk bewijspunten van regulators of klanten.

Wat is uw overkoepelende visie voor het gebruik van wiskunde en berekening in biologie?

 In mijn mening kunnen we iets alleen een “wetenschap” noemen als het doel is om accurate, kwantitatieve voorspellingen te maken over de resultaten van toekomstige experimenten. Op dit moment falen ongeveer 90% van de geneesmiddelen die in humane klinische onderzoeken worden getest, meestal omdat ze niet werken. Dus we zijn echt ver verwijderd van het maken van accurate, kwantitatieve voorspellingen op dit moment als het gaat om de meeste gebieden van biologie en geneeskunde. Ik denk niet dat dit verandert totdat de kern van die disciplines verandert – totdat wiskunde en computationele methoden de kernredeneringsinstrumenten van biologie worden. Mijn hoop is dat het werk dat we doen bij Unlearn de waarde van het nemen van een “AI-first”-benadering van een belangrijk praktisch probleem in medisch onderzoek benadrukt, en dat toekomstige onderzoekers die cultuur kunnen overnemen en toepassen op een bredere reeks problemen.

Bedankt voor het geweldige interview, lezers die meer willen leren, moeten Unlearn bezoeken.