Charles Fisher, Ph.D., CEO & Fondator al Unlearn – Seria de interviuri

Charles Fisher, Ph.D., este CEO și fondator al Unlearn, o platformă care utilizează inteligența artificială pentru a aborda unele dintre cele mai mari blocaje în dezvoltarea clinică: termene lungi de încercare, costuri ridicate și rezultate incerte. Modelele lor noi de inteligență artificială analizează cantități uriașe de date la nivel de pacient pentru a prognoza rezultatele sănătății pacienților. Prin integrarea gemelor digitale în studiile clinice, Unlearn poate accelera cercetarea clinică și ajuta la aducerea de tratamente salvatoare de vieți pentru pacienții care au nevoie.

Charles este un om de știință cu interese la intersecția fizicii, învățării automate și biologiei computaționale. Anterior, Charles a lucrat ca inginer de învățare automată la Leap Motion și ca biolog computațional la Pfizer. A fost bursier Philippe Meyer în fizică teoretică la École Normale Supérieure din Paris, Franța, și cercetător postdoctoral în biofizică la Universitatea Boston. Charles deține un doctorat în biofizică de la Universitatea Harvard și o diplomă de licență în biofizică de la Universitatea Michigan.

Sunteți în prezent în minoritate în ceea ce privește convingerea dvs. fundamentală că matematica și calculul ar trebui să fie baza biologiei. Cum ați ajuns la aceste concluzii?

Acest lucru se datorează probabil faptului că matematica și metodele computaționale nu au fost suficient de accentuate în educația biologică în ultimii ani, dar din perspectiva mea, oamenii încep să-și schimbe părerea și să fie de acord cu mine. Rețelele neuronale profunde ne-au oferit un set nou de instrumente pentru sisteme complexe, iar automatizarea ajută la crearea seturilor de date biologice la scară largă necesare. Cred că este inevitabil ca biologia să devină mai mult o știință computațională în următorul deceniu.

Cum a evoluat această convingere în lansarea Unlearn?

În trecut, multe metode computaționale în biologie au fost văzute ca soluții pentru problemele jucăușe sau pentru probleme îndepărtate de aplicațiile din medicină, ceea ce a făcut dificilă demonstrarea valorii reale. Scopul nostru este de a inventa metode noi de inteligență artificială pentru a soluționa probleme în medicină, dar ne concentrăm și pe găsirea unor domenii, cum ar fi studiile clinice, în care putem demonstra valoarea reală.

Puteți explica misiunea Unlearn de a elimina încercarea și eroarea în medicină prin inteligență artificială?

Este obișnuit în inginerie să proiectați și să testați un dispozitiv utilizând un model pe computer înainte de a construi dispozitivul real. Ne-am dori să permitem ceva similar în medicină. Putem simula efectul unui tratament asupra unui pacient înainte de a-i administra? Deși cred că domeniul este destul de departe de acest lucru astăzi, scopul nostru este de a inventa tehnologia care să facă acest lucru posibil.

Cum accelerează utilizarea de către Unlearn a gemelor digitale în studiile clinice procesul de cercetare și îmbunătățește rezultatele?

Unlearn inventează modele de inteligență artificială numite generatoare de geme digitale (DTG) care generează geme digitale ale participanților la studii clinice. Fiecare gemă digitală a participantului prognozează care ar fi rezultatul său dacă ar primi placebo într-un studiu clinic. Dacă DTG-urile noastre ar fi perfect precise, atunci, în principiu, studiile clinice ar putea fi efectuate fără grupuri placebo. Dar, în practică, toate modelele fac greșeli, așa că ne propunem să proiectăm studii randomizate care utilizează grupuri placebo mai mici decât studiile tradiționale. Acest lucru face ca înscrierea în studiu să fie mai ușoară, ceea ce accelerează termenele de studiu.

Puteți explica mai exact ce este metoda PROCOVA™ calificată regulamentar de Unlearn?

PROCOVA™ este prima metodă pe care am dezvoltat-o, care permite utilizarea gemelor digitale ale participanților în studiile clinice, astfel încât rezultatele studiului să fie robuste la greșelile pe care modelul le poate face în prognoze. Esențial, PROCOVA utilizează faptul că unii participanți la studiu sunt repartizați aleatoriu în grupul placebo pentru a corecta prognozele gemelor digitale utilizând o metodă statistică numită ajustare a covariabilelor. Acest lucru ne permite să proiectăm studii care utilizează grupuri de control mai mici decât cele obișnuite sau care au o putere statistică mai mare, asigurând în același timp că studiile oferă evaluări riguroase ale eficacității tratamentului. Suntem, de asemenea, în curs de dezvoltare continuă pentru a extinde această linie de soluții și a oferi studii și mai puternice în viitor.

Cum echilibrează Unlearn inovația cu conformitatea regulamentară în dezvoltarea soluțiilor sale de inteligență artificială?

Soluțiile destinate studiilor clinice sunt, în general, reglementate în funcție de contextul lor de utilizare, ceea ce înseamnă că putem dezvolta multiple soluții cu profiluri de risc diferite, care vizează diferite cazuri de utilizare. De exemplu, am dezvoltat PROCOVA pentru că este extrem de puțin riscant, ceea ce ne-a permis să urmărim o opinie de calificare de la Agenția Europeană a Medicamentului (EMA) pentru utilizare ca analiză principală în studiile clinice de fază 2 și 3 cu rezultate continue. Dar PROCOVA nu utilizează toate informațiile furnizate de gemele digitale pe care le creăm pentru participanții la studiu – lasă o parte din performanță pe masă pentru a se alinia cu îndrumările regulamentare. Desigur, Unlearn există pentru a împinge limitele, așa că putem lansa soluții mai inovatoare destinate aplicațiilor în studiile din fazele incipiente sau analizele post-hoc, unde putem utiliza alte tipuri de metode (de exemplu, analize bayesiene) care oferă mult mai multă eficiență decât putem cu PROCOVA.

Ce au fost unele dintre cele mai semnificative provocări și descoperiri pentru Unlearn în utilizarea inteligenței artificiale în medicină?

Cea mai mare provocare pentru noi și pentru oricine altcineva implicat în aplicarea inteligenței artificiale la problemele din medicină este culturală. În prezent, majoritatea covârșitoare a cercetătorilor în medicină nu sunt extrem de familiarizați cu inteligența artificială și, de obicei, sunt înșelați cu privire la modul în care funcționează tehnologiile subiacente. Ca urmare, majoritatea oamenilor sunt foarte sceptici cu privire la faptul că inteligența artificială va fi utilă în termen scurt. Cred că acest lucru se va schimba inevitabil în următorii ani, dar biologia și medicina, în general, sunt în urmă față de majoritatea celorlalte domenii atunci când vine vorba de adoptarea noilor tehnologii computerizate. Am avut multe descoperiri tehnologice, dar cele mai importante lucruri pentru a obține adoptarea sunt, probabil, punctele de dovadă de la regulatori sau clienți.

Ce este viziunea dvs. generală asupra utilizării matematicii și calculului în biologie?

În opinia mea, nu putem numi ceva “știință” decât dacă scopul său este de a face prognoze exacte și cantitative cu privire la rezultatele experimentelor viitoare. În prezent, aproximativ 90% din medicamentele care intră în studiile clinice umane eșuează, de obicei, pentru că nu funcționează cu adevărat. Așa că suntem foarte departe de a face prognoze exacte și cantitative în prezent, atunci când vine vorba de majoritatea domeniilor biologiei și medicinei. Nu cred că acest lucru se schimbă până când nucleul acestor discipline nu se schimbă – până când matematica și metodele computaționale nu devin instrumentele de raționament central ale biologiei. Speranța mea este că lucrarea pe care o facem la Unlearn subliniază valoarea abordării “inteligență artificială pe primul loc” pentru soluționarea unei probleme practice importante în cercetarea medicală, iar cercetătorii viitori pot lua această cultură și o pot aplica unui set mai larg de probleme.

Mulțumim pentru acest interviu minunat; cititorii care doresc să afle mai multe trebuie să viziteze Unlearn.