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 prezice rezultatele sănătății pacienților. Prin integrarea de gemeni digitali în studii clinice, Unlearn poate accelera cercetarea clinică și ajuta la aducerea de tratamente salvatoare de viață pentru pacienții care au nevoie de ele.

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 de unde stau eu, oamenii încep să-și schimbe părerea și să fie de acord cu mine. Rețelele neuronale profunde ne-au oferit un set nou de unelte pentru sisteme complexe, iar automatizarea ne ajută să creăm seturi de date biologice la scară largă necesare. Cred că este inevitabil ca biologia să devină o știință computațională în următorul deceniu.

Cum ați transformat această convingere în lansarea Unlearn?

În trecut, multe metode computaționale în biologie au fost văzute ca rezolvând probleme de joacă sau probleme îndepărtate de aplicațiile în medicină, ceea ce a făcut dificilă demonstrarea valorii reale. Scopul nostru este să inventăm metode noi de inteligență artificială pentru a rezolva probleme în medicină, dar suntem, de asemenea, concentrați pe găsirea unor domenii, cum ar fi studiile clinice, unde 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 testați un dispozitiv folosind 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 să inventăm tehnologia care să facă acest lucru posibil.

Cum folosește Unlearn gemenii digitali în studii clinice pentru a accelera procesul de cercetare și a îmbunătăți rezultatele?

Unlearn inventează modele de inteligență artificială numite generatoare de gemeni digitali (DTG) care generează gemeni digitali ai participanților la studii clinice. Fiecare gemene digital al unui participant prognozează ce 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 de placebo. Dar, în practică, toate modelele fac greșeli, așa că ne propunem să proiectăm studii randomizate care utilizează grupuri de placebo mai mici decât studiile tradiționale. Acest lucru face ca este mai ușor să vă înscrieți în studiu, accelerând timpii de studiu.

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

PROCOVA™ este prima metodă pe care am dezvoltat-o, care permite gemenilor digitali ai participanților să fie utilizați în studii clinice, astfel încât rezultatele studiului să fie robuste la greșelile pe care modelul le-ar putea face în prognozele sale. În esență, PROCOVA utilizează faptul că unii dintre participanții la un studiu sunt repartizați aleatoriu în grupul de placebo pentru a corecta prognozele gemenilor digitali 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 respective oferă evaluări riguroase ale eficacității tratamentului. Suntem, de asemenea, în curs de dezvoltare a acestei linii de soluții pentru 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 studii clinice din faza 2 și 3 cu rezultate continue. Dar PROCOVA nu utilizează toate informațiile furnizate de gemenii digitali pe care îi creăm pentru participanții la studiu – lasă unele performanțe pe masă pentru a se alinia cu orientările regulamentare. Desigur, Unlearn există pentru a împinge limitele, astfel încât putem lansa soluții mai inovatoare destinate aplicațiilor din studiile din faza incipientă 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.

Care 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 skeptici 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, se află în urmă majorității 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 referință de la regulatori sau clienți.

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

 În opinia mea, putem numi ceva “știință” doar dacă scopul său este de a face predicții precise și cantitative cu privire la rezultatele experimentelor viitoare. În prezent, aproximativ 90% dintre medicamentele care intră în studii clinice umane eșuează, de obicei pentru că nu funcționează cu adevărat. Așa că suntem foarte departe de a face predicții precise și cantitative în ceea ce privește majoritatea domeniilor biologiei și medicinei. Nu cred că acest lucru se va schimba până când nucleul acestor discipline nu se va schimba – până când matematica și metodele computaționale nu vor deveni instrumentele de raționament central al biologiei. Sper că munca pe care o facem la Unlearn subliniază valoarea abordării “inteligență artificială pe primul loc” pentru rezolvarea 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 excelent, cititorii care doresc să afle mai multe despre Unlearn ar trebui să viziteze Unlearn.