Чарльз Фишер, доктор философии, генеральный директор и основатель Unlearn – Интервью

Чарльз Фишер, доктор философии, является генеральным директором и основателем Unlearn, платформы, использующей ИИ для решения некоторых из наиболее значительных проблем в клиническом развитии: длительных сроков испытаний, высоких затрат и неопределенных результатов. Их новые модели ИИ анализируют огромные объемы данных о пациентах для прогнозирования результатов их здоровья. Интегрируя цифровые двойники в клинические испытания, Unlearn может ускорить клинические исследования и помочь внедрить спасающие жизни новые методы лечения пациентам, которые в них нуждаются.

Чарльз – ученый с интересами на пересечении физики, машинного обучения и вычислительной биологии. Ранее Чарльз работал инженером-машинным обучением в Leap Motion и вычислительным биологом в Pfizer. Он был стипендиатом Филиппа Мейера по теоретической физике в École Normale Supérieure в Париже, Франция, и постдокторским ученым в биофизике в Бостонском университете. Чарльз имеет докторскую степень в биофизике Гарвардского университета и степень бакалавра в биофизике Мичиганского университета.

Вы сейчас находитесь в меньшинстве в своем фундаментальном убеждении, что математика и вычисления должны быть основой биологии. Как вы первоначально пришли к этим выводам?

Это, вероятно, просто потому, что математика и вычислительные методы не были достаточно подчеркнуты в образовании биологии в последние годы, но с моей точки зрения, люди начинают менять свое мнение и соглашаться со мной. Глубокие нейронные сети дали нам новый набор инструментов для сложных систем, и автоматизация помогает создавать крупномасштабные биологические наборы данных, необходимые для этого. Я думаю, что неизбежно, что биология перейдет к более вычислительной науке в течение следующего десятилетия.

Как это убеждение затем перешло к запуску Unlearn?

В прошлом многие вычислительные методы в биологии рассматривались как решение игрушечных проблем или проблем,远离 применения в медицине, что сделало трудным продемонстрировать реальную ценность. Наша цель – изобрести новые методы ИИ для решения проблем в медицине, но мы также сосредоточены на поиске областей, таких как клинические испытания, где мы можем продемонстрировать реальную ценность.

Можете ли вы объяснить миссию Unlearn по устранению проб и ошибок в медицине с помощью ИИ?

Обычно в инженерии проектируют и тестируют устройство с помощью компьютерной модели, прежде чем построить реальное устройство. Мы хотим ermögнить что-то подобное в медицине. Можем ли мы смоделировать эффект, который лечение окажет на пациента, прежде чем дать его ему? Хотя я думаю, что эта область довольно远 от этого сегодня, наша цель – изобрести технологию, чтобы сделать это возможным.

Как использование Unlearn цифровых двойников в клинических испытаниях ускоряет процесс исследования и улучшает результаты?

Unlearn изобретает модели ИИ, называемые генераторами цифровых двойников (DTGs), которые генерируют цифровые двойники участников клинических испытаний. Цифровой двойник каждого участника прогнозирует, какой результат будет у него, если он получит плацебо в клиническом испытании. Если наши DTGs были идеально точными, то, в принципе, клинические испытания могли бы проводиться без групп плацебо. Но на практике все модели совершают ошибки, поэтому мы стремимся спроектировать рандомизированные испытания, которые используют меньшие группы плацебо, чем традиционные испытания. Это делает его проще записаться в исследование, ускоряя сроки испытаний.

Можете ли вы подробнее рассказать о том, что такое методология Unlearn, квалифицированная регулирующими органами Прогностическая коррекция ковариант (PROCOVA™)?

PROCOVA™ – это первый метод, который мы разработали, который позволяет использовать цифровых двойников участников в клинических испытаниях, чтобы результаты испытаний были устойчивы к ошибкам, которые модель может совершить в своих прогнозах. По сути, PROCOVA использует тот факт, что некоторые участники исследования случайным образом назначаются в группу плацебо, чтобы скорректировать прогнозы цифровых двойников с помощью статистического метода, называемого коррекцией ковариант. Это позволяет нам спроектировать исследования, которые используют меньшие контрольные группы, чем обычно, или имеют более высокую статистическую мощность, обеспечивая при этом, что эти исследования все равно обеспечивают строгую оценку эффективности лечения. Мы также продолжаем исследования и разработки, чтобы расширить эту линию решений и обеспечить еще более мощные исследования в будущем.

Как Unlearn балансирует инновации с соблюдением нормативных требований при разработке своих решений ИИ?

Решения, направленные на клинические испытания, обычно регулируются на основе их контекста использования, что означает, что мы можем разработать несколько решений с разными профилями риска, направленных на разные случаи использования. Например, мы разработали PROCOVA, потому что это чрезвычайно низкорискованно, что позволило нам получить квалификационное мнение Европейского агентства по лекарственным средствам (EMA) для использования в качестве основного анализа в клинических испытаниях фаз 2 и 3 с непрерывными результатами. Но PROCOVA не использует всю информацию, предоставляемую цифровыми двойниками, которые мы создаем для участников испытаний – она оставляет некоторую производительность на столе, чтобы соответствовать нормативным рекомендациям. Конечно, Unlearn существует, чтобы расширить границы, поэтому мы можем запустить более инновационные решения, направленные на применения в более ранних этапах исследований или пост-хок анализов, где мы можем использовать другие типы методов (например, байесовские анализы), которые обеспечивают гораздо большую эффективность, чем PROCOVA.

Какие были некоторые из наиболее значительных проблем и прорывов для Unlearn при использовании ИИ в медицине?

Самой большой проблемой для нас и для всех, кто участвует в применении ИИ к проблемам медицины, является культурная проблема. В настоящее время подавляющее большинство исследователей в медицине не чрезвычайно знакомы с ИИ, и они обычно вводятся в заблуждение относительно того, как на самом деле работают основные технологии. В результате большинство людей очень скептичны относительно того, что ИИ будет полезен в ближайшем будущем. Я думаю, что это неизбежно изменится в ближайшие годы, но биология и медицина обычно отстают от большинства других областей, когда речь идет об采用 новых компьютерных технологий. У нас были многие технологические прорывы, но наиболее важными вещами для получения принятия являются, вероятно, доказательства от регулирующих органов или клиентов.

Каково ваше общее видение использования математики и вычислений в биологии?

 По моему мнению, мы можем назвать что-то “наукой” только в том случае, если ее цель – сделать точные, количественные прогнозы о результатах будущих экспериментов. Сейчас примерно 90% препаратов, которые входят в человеческие клинические испытания, терпят неудачу, обычно потому, что они просто не работают. Итак, мы действительно далеко от того, чтобы делать точные, количественные прогнозы сейчас, когда речь идет о большинстве областей биологии и медицины. Я не думаю, что это изменится, пока ядро этих дисциплин не изменится – пока математика и вычислительные методы не станут основными инструментами рассуждения биологии. Моя надежда заключается в том, что работа, которую мы делаем в Unlearn, подчеркивает ценность принятия “ИИ-первого” подхода к решению важной практической проблемы в медицинских исследованиях, и будущие исследователи могут взять эту культуру и применить ее к более широкому набору проблем.

Спасибо за отличное интервью, читателям, которые хотят узнать больше, следует посетить Unlearn.