Charles Fisher, dr., izvršni direktor in ustanovitelj serije intervjujev Unlearn

Charles Fisher, Ph.D., je izvršni direktor in ustanovitelj Unlearn, platforma, ki izkorišča umetno inteligenco za reševanje nekaterih največjih ozkih grl v kliničnem razvoju: dolgi časovni okviri preskušanj, visoki stroški in negotovi rezultati. Njihovi novi modeli umetne inteligence analizirajo ogromne količine podatkov na ravni pacientov za napovedovanje zdravstvenih rezultatov pacientov. Z vključitvijo digitalnih dvojčkov v klinična preskušanja lahko Unlearn pospeši klinične raziskave in pomaga bolnikom, ki jih potrebujejo, zagotoviti nova zdravljenja, ki rešujejo življenja.

Charles je znanstvenik, ki se zanima za presečišče fizike, strojnega učenja in računalniške biologije. Pred tem je Charles delal kot inženir strojnega učenja pri Leap Motion in računalniški biolog pri Pfizerju. Bil je štipendist Philippa Meyerja za teoretično fiziko na École Normale Supérieure v Parizu v Franciji in podoktorski znanstvenik na področju biofizike na Univerzi v Bostonu. Charles ima doktorat znanosti. doktoriral iz biofizike na univerzi Harvard in diplomiral iz biofizike na univerzi v Michiganu.

Trenutno ste v manjšini v svojem temeljnem prepričanju, da morata biti matematika in računalništvo temelj biologije. Kako ste prvotno prišli do teh zaključkov?

To je verjetno samo zato, ker matematika in računalniške metode v biološkem izobraževanju v zadnjih letih niso bile dovolj poudarjene, toda od koder sedim, ljudje začenjajo spreminjati mnenje in se strinjati z menoj. Globoke nevronske mreže so nam dale nov nabor orodij za kompleksne sisteme, avtomatizacija pa pomaga ustvariti zahtevane obsežne nize bioloških podatkov. Mislim, da je neizogibno, da biologija v naslednjem desetletju postane bolj računalniška znanost.

Kako se je to prepričanje nato spremenilo v zagon Unlearn?

V preteklosti je bilo veliko računalniških metod v biologiji obravnavanih kot reševanje problemov igrač ali problemov, ki so daleč od aplikacij v medicini, zaradi česar je bilo težko dokazati resnično vrednost. Naš cilj je izumiti nove metode v umetni inteligenci za reševanje problemov v medicini, vendar smo osredotočeni tudi na iskanje področij, na primer v kliničnih preskušanjih, kjer lahko dokažemo resnično vrednost.

Ali lahko razložite misijo Unlearn za odpravo poskusov in napak v medicini z AI?

V inženiringu je običajno načrtovati in testirati napravo z uporabo računalniškega modela, preden zgradimo pravo stvar. Nekaj ​​podobnega bi radi omogočili tudi v medicini. Ali lahko simuliramo učinek, ki ga bo zdravljenje imelo na bolnika, preden mu ga damo? Čeprav mislim, da je področje danes precej daleč od tega, je naš cilj izumiti tehnologijo, ki bo to omogočila.

Kako uporaba digitalnih dvojčkov Unlearn v kliničnih preskušanjih pospešuje raziskovalni proces in izboljšuje rezultate?

Unlearn izumlja modele umetne inteligence, imenovane generatorji digitalnih dvojčkov (DTG), ki ustvarjajo digitalne dvojčke udeležencev kliničnega preskušanja. Digitalni dvojček vsakega udeleženca napove, kakšen bi bil njihov izid, če bi v kliničnem preskušanju prejel placebo. Če bi bili naši DTG popolnoma natančni, bi lahko klinična preskušanja načeloma izvajali brez placebo skupin. Toda v praksi vsi modeli delajo napake, zato želimo oblikovati randomizirana preskušanja, ki uporabljajo manjše placebo skupine kot tradicionalna preskušanja. To olajša vpis v študijo in pospeši preizkusne roke.

Ali lahko natančno razložite, kaj je Unlearn-ova regulativno kvalificirana metodologija prognostične kovariatne prilagoditve (PROCOVA™)?

PROCOVA™ je prva metoda, ki smo jo razvili in omogoča uporabo digitalnih dvojčkov udeležencev v kliničnih preskušanjih, tako da so rezultati preskušanja robustni glede na napake, ki jih lahko naredi model v svojih napovedih. V bistvu PROCOVA uporablja dejstvo, da so nekateri udeleženci v študiji naključno dodeljeni skupini, ki je prejemala placebo, da popravi napovedi digitalnih dvojčkov s statistično metodo, imenovano prilagoditev kovariate. To nam omogoča načrtovanje študij, ki uporabljajo manjše kontrolne skupine od običajnih ali imajo večjo statistično moč, hkrati pa zagotavljajo, da te študije še vedno zagotavljajo stroge ocene učinkovitosti zdravljenja. Prav tako nadaljujemo z raziskavami in razvojem, da razširimo to linijo rešitev in zagotovimo še močnejše študije v prihodnje.

Kako Unlearn usklajuje inovacije s skladnostjo s predpisi pri razvoju svojih rešitev AI?

Rešitve, namenjene kliničnim preskušanjem, so na splošno regulirane glede na njihov kontekst uporabe, kar pomeni, da lahko razvijemo več rešitev z različnimi profili tveganja, ki so usmerjene v različne primere uporabe. Na primer, razvili smo PROCOVA, ker je izjemno nizko tveganje, kar nam je omogočilo, da smo od Evropske agencije za zdravila (EMA) pridobili mnenje o kvalifikaciji za uporabo kot primarno analizo v 2. in 3. fazi kliničnih preskušanj z neprekinjenimi rezultati. Vendar PROCOVA ne izkorišča vseh informacij, ki jih zagotavljajo digitalni dvojčki, ki jih ustvarimo za udeležence preskušanja – pusti nekaj zmogljivosti na mizi za uskladitev z regulativnimi smernicami. Seveda obstaja Unlearn, da premika meje, tako da lahko lansiramo bolj inovativne rešitve, namenjene aplikacijam v prejšnjih študijah ali post-hoc analizah, kjer lahko uporabimo druge vrste metod (npr. Bayesove analize), ki zagotavljajo veliko večjo učinkovitost kot mi s PROCOVO.

Kateri so bili nekateri najpomembnejši izzivi in ​​preboji za Unlearn pri uporabi umetne inteligence v medicini?

Največji izziv za nas in vse druge, ki sodelujejo pri uporabi umetne inteligence pri problemih v medicini, je kulturna. Trenutno velika večina raziskovalcev v medicini še posebej ne pozna umetne inteligence in so običajno napačno obveščeni o tem, kako osnovne tehnologije dejansko delujejo. Posledično je večina ljudi zelo skeptičnih, da bo umetna inteligenca koristna v bližnji prihodnosti. Mislim, da se bo to v prihodnjih letih neizogibno spremenilo, a biologija in medicina na splošno zaostajata za večino drugih področij, ko gre za sprejemanje novih računalniških tehnologij. Imeli smo veliko tehnoloških prebojev, vendar so najpomembnejše stvari za pridobitev sprejetja verjetno dokazne točke regulatorjev ali strank.

Kakšna je vaša glavna vizija uporabe matematike in računalništva v biologiji?

 Po mojem mnenju lahko nekaj imenujemo "znanost" le, če je njegov cilj narediti natančne, kvantitativne napovedi o rezultatih prihodnjih poskusov. Trenutno je približno 90 % zdravil, ki so vključena v klinična preskušanja na ljudeh, neuspešnih, običajno zato, ker dejansko ne delujejo. Tako smo zdaj res daleč od natančnih, kvantitativnih napovedi, ko gre za večino področij biologije in medicine. Mislim, da se to ne spremeni, dokler se ne spremeni jedro teh disciplin – dokler matematika in računalniške metode ne postanejo osrednja orodja za razmišljanje biologije. Upam, da delo, ki ga opravljamo pri Unlearn, poudarja vrednost pristopa »najprej AI« pri reševanju pomembnega praktičnega problema v medicinskih raziskavah, prihodnji raziskovalci pa lahko prevzamejo to kulturo in jo uporabijo za širši nabor problemov. .

Hvala za odličen intervju, bralci, ki želite izvedeti več, naj ga obiščejo Unlearn.