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

Charles Fisher, Ph.D., jest CEO i założycielem Unlearn, platformy wykorzystującej sztuczną inteligencję do rozwiązywania największych problemów w rozwoju klinicznym: długich okresów prób, wysokich kosztów i niepewnych wyników. Ich nowe modele sztucznej inteligencji analizują ogromne ilości danych na poziomie pacjenta, aby przewidzieć wyniki zdrowotne pacjentów. Poprzez integrację cyfrowych bliźniaków w badaniach klinicznych, Unlearn jest w stanie przyspieszyć badania kliniczne i pomóc wprowadzić nowe, ratujące życie leczenia do pacjentów, którzy ich potrzebują.

Charles jest naukowcem z zainteresowaniami na styku fizyki, uczenia maszynowego i biologii komputerowej. Wcześniej Charles pracował jako inżynier uczenia maszynowego w Leap Motion i biolog komputerowy w Pfizer. Był stypendystą Philippe Meyer w dziedzinie fizyki teoretycznej w École Normale Supérieure w Paryżu, we Francji, oraz naukowcem w dziedzinie biofizyki na Uniwersytecie w Bostonie. Charles posiada tytuł doktora w dziedzinie biofizyki na Uniwersytecie Harvarda i tytuł licencjata w dziedzinie biofizyki na Uniwersytecie Michigan.

Jesteś obecnie w mniejszości w swoim podstawowym przekonaniu, że matematyka i obliczenia powinny być podstawą biologii. Jak pierwotnie doszłeś do tych wniosków?

To prawdopodobnie wynika z faktu, że metody matematyczne i obliczeniowe nie były wystarczająco podkreślane w edukacji biologicznej w ostatnich latach, ale z mojego punktu widzenia ludzie zaczynają zmieniać swoje zdanie i zgadzać się ze mną. Głębokie sieci neuronowe dały nam nowy zestaw narzędzi do złożonych systemów, a automatyzacja pomaga tworzyć duże zestawy danych biologicznych. Uważam, że jest nieuniknione, że biologia przejdzie w ciągu najbliższej dekady w kierunku bardziej obliczeniowej nauki.

Jak to przekonanie przekształciło się w uruchomienie Unlearn?

W przeszłości wiele metod obliczeniowych w biologii było postrzeganych jako rozwiązywanie problemów „zabawkowych” lub problemów oddalonych od zastosowań w medycynie, co utrudniało wykazanie rzeczywistej wartości. Naszym celem jest wynalezienie nowych metod sztucznej inteligencji do rozwiązywania problemów w medycynie, ale jesteśmy również skupieni na znalezieniu obszarów, takich jak badania kliniczne, gdzie możemy wykazać rzeczywistą wartość.

Czy możesz wyjaśnić misję Unlearn, aby wyeliminować próby i błędy w medycynie za pomocą sztucznej inteligencji?

W inżynierii jest powszechne projektowanie i testowanie urządzenia za pomocą modelu komputerowego przed jego zbudowaniem. Chcielibyśmy umożliwić coś podobnego w medycynie. Czy możemy symulować wpływ leczenia na pacjenta przed jego podaniem? Chociaż uważam, że ta dziedzina jest dość oddalona od tego dzisiaj, naszym celem jest wynalezienie technologii, które to umożliwią.

Jak wykorzystanie przez Unlearn cyfrowych bliźniaków w badaniach klinicznych przyspiesza proces badań i poprawia wyniki?

Unlearn wynajduje modele sztucznej inteligencji zwane generatorami cyfrowych bliźniaków (DTGs), które generują cyfrowe bliźniaki uczestników badań klinicznych. Każdy cyfrowy bliźniak przewiduje, jaki byłby wynik, gdyby uczestnik otrzymał placebo w badaniu klinicznym. Jeśli nasze DTGs byłyby idealnie dokładne, to w zasadzie badania kliniczne mogłyby być prowadzone bez grup placebo. Ale w praktyce wszystkie modele popełniają błędy, więc naszym celem jest zaprojektowanie losowych badań, które wykorzystują mniejsze grupy placebo niż tradycyjne badania. To ułatwia zapisanie się do badania, przyspieszając czas trwania badań.

Czy możesz wyjaśnić dokładnie, co jest metodyką PROCOVA™ (Prognostic Covariate Adjustment), która jest regulacyjnie zatwierdzona przez Unlearn?

PROCOVA™ jest pierwszą metodą, którą opracowaliśmy, która pozwala na wykorzystanie cyfrowych bliźniaków uczestników w badaniach klinicznych, tak aby wyniki badań były odporne na błędy, które model może popełnić w swoich prognozach. PROCOVA wykorzystuje fakt, że niektórzy uczestnicy badania są losowo przydzielani do grupy placebo, aby skorygować prognozy cyfrowych bliźniaków za pomocą statystycznej metody zwanej dostosowaniem współzmiennych. To pozwala nam na zaprojektowanie badań, które wykorzystują mniejsze grupy kontrolne niż normalne lub które mają większą moc statystyczną, zapewniając jednocześnie, że badania te nadal zapewniają rygorystyczne oceny skuteczności leczenia. Jesteśmy również kontynuujemy prace badawczo-rozwojowe, aby rozszerzyć tę linię rozwiązań i zapewnić jeszcze bardziej efektywne badania w przyszłości.

Jak Unlearn balansuje innowacje z zgodnością regulacyjną w rozwoju swoich rozwiązań sztucznej inteligencji?

Rozwiązania skierowane do badań klinicznych są ogólnie regulowane na podstawie ich kontekstu użycia, co oznacza, że możemy opracować wiele rozwiązań o różnych profilach ryzyka, które są skierowane do różnych przypadków użycia. Na przykład opracowaliśmy PROCOVA, ponieważ jest to rozwiązanie o bardzo niskim ryzyku, co pozwoliło nam na uzyskanie opinii kwalifikacyjnej Europejskiej Agencji Leków (EMA) do użycia jako podstawowa analiza w badaniach klinicznych II i III fazy z ciągłymi wynikami. Ale PROCOVA nie wykorzystuje wszystkich informacji dostarczonych przez cyfrowe bliźniaki, które tworzymy dla uczestników badania – pozostawia część wydajności, aby dostosować się do wytycznych regulacyjnych. Oczywiście, Unlearn istnieje, aby poszerzać granice, więc możemy uruchomić bardziej innowacyjne rozwiązania skierowane do zastosowań w wczesnych badaniach lub analizach post-hoc, gdzie możemy wykorzystać inne rodzaje metod (np. analizy bayesowskie), które zapewniają znacznie większą efektywność niż PROCOVA.

Jakie były największe wyzwania i przełomowe osiągnięcia Unlearn w wykorzystaniu sztucznej inteligencji w medycynie?

Największym wyzwaniem dla nas i każdego, kto jest zaangażowany w stosowanie sztucznej inteligencji do problemów medycznych, jest kulturowy. Obecnie ogromna większość badaczy w medycynie nie jest szczególnie zaznajomiona ze sztuczną inteligencją i jest zwykle źle poinformowana o tym, jak działa technologia podstawowa. W wyniku tego większość ludzi jest bardzo sceptyczna, czy sztuczna inteligencja będzie użyteczna w najbliższej przyszłości. Uważam, że to się nieuchronnie zmieni w nadchodzących latach, ale biologia i medycyna generalnie pozostają w tyle za większością innych dziedzin, jeśli chodzi o przyjęcie nowych technologii komputerowych. Mieliśmy wiele przełomów technologicznych, ale najważniejsze rzeczy, aby uzyskać przyjęcie, są prawdopodobnie punkty dowodowe od regulatorów lub klientów.

Jakie jest Twoje ogólne widzenie wykorzystania matematyki i obliczeń w biologii?

 Moim zdaniem, możemy nazwać coś „nauką” tylko wtedy, gdy jej celem jest robienie dokładnych, ilościowych prognoz dotyczących wyników przyszłych eksperymentów. Obecnie około 90% leków, które wchodzą do badań klinicznych, kończy się niepowodzeniem, zwykle dlatego, że po prostu nie działają. Więc jesteśmy naprawdę daleko od robienia dokładnych, ilościowych prognoz w większości obszarów biologii i medycyny. Nie uważam, że to się zmieni, dopóki rdzeń tych dyscyplin nie zmieni się – dopóki matematyka i metody obliczeniowe nie staną się podstawowymi narzędziami rozumowania w biologii. Moją nadzieją jest, że praca, którą wykonujemy w Unlearn, podkreśla wartość podejścia „pierwszeństwa sztucznej inteligencji” do rozwiązania ważnego praktycznego problemu w badaniach medycznych, a przyszli badacze mogą wziąć tę kulturę i zastosować ją do szerszego zakresu problemów.

Dziękujemy za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Unlearn.