ชาร์ลส์ ฟิชเชอร์ Ph.D. ซีอีโอและผู้ก่อตั้ง Unlearn – ซีรีส์สัมภาษณ์

ชาร์ลส์ ฟิชเชอร์ Ph.D. เป็นซีอีโอและผู้ก่อตั้ง Unlearn ซึ่งเป็นแพลตฟอร์มที่ใช้ AI เพื่อแก้ไขปัญหาที่ยิ่งใหญ่ที่สุดในการพัฒนาคลินิก: ระยะเวลาการทดลองที่ยาวนาน ต้นทุนที่สูง และผลลัพธ์ที่ไม่แน่นอน โมเดล AI ที่เป็นนวัตกรรมใหม่ของพวกเขา分析ปริมาณข้อมูลระดับผู้ป่วยจำนวนมากเพื่อคาดการณ์ผลลัพธ์ด้านสุขภาพของผู้ป่วย โดยการรวมตัวจำลองดิจิทัลเข้ากับการทดลองทางคลินิก Unlearn สามารถเร่งการวิจัยทางคลินิกและช่วยให้การรักษาที่ช่วยชีวิตใหม่ๆ มาถึงผู้ป่วยที่ต้องการ

ชาร์ลส์เป็นนักวิทยาศาสตร์ที่มีความสนใจที่จุดตัดระหว่างฟิสิกส์ การเรียนรู้ของเครื่อง และชีววิทยาคอมพิวเตอร์ ก่อนหน้านี้ ชาร์ลส์曾ทำงานเป็นวิศวกรการเรียนรู้ของเครื่องที่ Leap Motion และนักชีววิทยาคอมพิวเตอร์ที่ Pfizer เขาเป็น Philippe Meyer Fellow ในฟิสิกส์ทฤษฎีที่ École Normale Supérieure ในปารีส ฝรั่งเศส และนักวิจัยหลังปริญญาเอกในสาขาชีวฟิสิกส์ที่ Boston University ชาร์ลส์สำเร็จการศึกษาระดับ Ph.D. ในสาขาชีวฟิสิกส์จาก Harvard University และระดับ B.S. ในสาขาชีวฟิสิกส์จาก University of Michigan

คุณอยู่ในกลุ่ม thiểu sốในความเชื่อขั้นพื้นฐานของคุณที่ว่า數ศาสตร์และการคำนวณควรเป็นรากฐานของชีววิทยา คุณได้มาถึงข้อสรุปเหล่านี้อย่างไร?

นั่นเป็นเพราะว่า數ศาสตร์และวิธีการคำนวณยังไม่ได้รับการเน้นมากพอในชีววิทยาการศึกษาในหลายปีที่ผ่านมา แต่จากที่ฉันอยู่ ผู้คนเริ่มเปลี่ยนความคิดเห็นและเห็นด้วยกับฉัน โมเดลเครือข่ายประสาทลึกได้ให้เครื่องมือใหม่สำหรับระบบที่ซับซ้อน และการอัตโนมัติช่วยสร้างชุดข้อมูลชีววิทยาที่มีขนาดใหญ่ตามที่ต้องการ ฉันคิดว่ามันเป็นเรื่องที่ไม่สามารถหลีกเลี่ยงได้ที่ชีววิทยาจะเปลี่ยนไปสู่การเป็นวิทยาศาสตร์เชิงคำนวณมากขึ้นในอีกหนึ่งทศวรรษข้างหน้า

ความเชื่อนี้ส่งผลต่อการเปิดตัว Unlearn อย่างไร?

ในอดีต วิธีการคำนวณหลายอย่างในชีววิทยาถูกมองว่าเป็นการแก้ปัญหาที่ไม่สำคัญหรือไม่เกี่ยวข้องกับการใช้งานในด้านการแพทย์ ซึ่งทำให้ยากที่จะแสดงคุณค่าที่แท้จริงของมัน เป้าหมายของเราคือการคิดค้นวิธีการใหม่ๆ ใน AI เพื่อแก้ปัญหาทางการแพทย์ แต่เรายังเน้นการค้นหาพื้นที่ เช่น ในการทดลองทางคลินิก ที่เราสามารถแสดงคุณค่าที่แท้จริงได้

คุณสามารถอธิบายภารกิจของ Unlearn ในการกำจัดการลองผิดลองถูกในด้านการแพทย์ผ่าน AI ได้หรือไม่?

ในด้านวิศวกรรม มันเป็นเรื่องปกติที่จะออกแบบและทดสอบอุปกรณ์โดยใช้แบบจำลองคอมพิวเตอร์ก่อนที่จะสร้างสิ่งจริง เราต้องการให้สามารถทำเช่นนี้ในด้านการแพทย์ได้ สามารถจำลองผลกระทบของการรักษาต่อผู้ป่วยได้ก่อนที่จะให้การรักษาหรือไม่ แม้ว่าฉันคิดว่าภาคส่วนนี้ยังอยู่ห่างจากจุดนั้นมาก แต่เป้าหมายของเราคือการคิดค้นเทคโนโลยีเพื่อให้สามารถทำได้

Unlearn ใช้ตัวจำลองดิจิทัลในกระบวนการทดลองทางคลินิกเพื่อเร่งการวิจัยและปรับปรุงผลลัพธ์อย่างไร?

Unlearn คิดค้นโมเดล AI ที่เรียกว่าเครื่องสร้างตัวจำลองดิจิทัล (DTGs) ซึ่งสร้างตัวจำลองดิจิทัลของผู้เข้าร่วมการทดลองทางคลินิก แต่ละตัวจำลองดิจิทัลคาดการณ์ผลลัพธ์ที่ผู้เข้าร่วมจะได้รับหากพวกเขาได้รับการรักษาแบบปลอม หาก DTGs ของเรามีความแม่นยำ 100% ในทฤษฎีแล้ว การทดลองทางคลินิกสามารถดำเนินการได้โดยไม่ต้องมีกลุ่มการรักษาแบบปลอม แต่ในทางปฏิบัติ ทุกๆ โมเดลมีข้อผิดพลาด ดังนั้นเราจึงมุ่งหมายที่จะออกแบบการทดลองแบบสุ่มโดยใช้กลุ่มการรักษาแบบปลอมที่เล็กกว่าการทดลองแบบดั้งเดิม ซึ่งทำให้ง่ายต่อการเข้าร่วมการศึกษาและเร่งเวลาในการทดลอง

คุณสามารถอธิบาย PROCOVA™ วิธีการปรับโพรกนอสติกแบบคาวาเรียต์ที่ได้รับการรับรองตามกฎระเบียบของ Unlearn ได้หรือไม่?

PROCOVA™ เป็นวิธีการแรกที่เราพัฒนาขึ้นเพื่อให้ตัวจำลองดิจิทัลของผู้เข้าร่วมการทดลองสามารถใช้ในการทดลองทางคลินิกได้ โดยผลการทดลองมีความแข็งแกร่งต่อข้อผิดพลาดที่โมเดลอาจทำได้ PROCOVA ใช้ข้อเท็จจริงที่บางส่วนของผู้เข้าร่วมการศึกษาจะถูกสุ่มจัดให้อยู่ในกลุ่มการรักษาแบบปลอมเพื่อแก้ไขการคาดการณ์ของตัวจำลองดิจิทัลโดยใช้วิธีการทางสถิติที่เรียกว่าการปรับโพรกนอสติกแบบคาวาเรียต์ ซึ่งช่วยให้เราสามารถออกแบบการศึกษาที่ใช้กลุ่มควบคุมที่เล็กกว่าปกติหรือมีพลังทางสถิติที่สูงกว่า ในขณะเดียวกันก็รับรองว่าการศึกษานั้นยังคงให้การประเมินผลการรักษาที่เข้มงวด เรายังคงพัฒนา R&D เพื่อขยายแนวทางแก้ปัญหานี้และให้การศึกษาที่มีประสิทธิภาพมากขึ้นในอนาคต

Unlearn สร้างสมดุลระหว่างนวัตกรรมและความเป็นไปตามกฎระเบียบในการพัฒนาโซลูชัน AI อย่างไร?

โซลูชันที่มุ่งเป้าไปที่การทดลองทางคลินิกโดยทั่วไปถูกควบคุมตามบริบทการใช้งาน ซึ่งหมายความว่าเราสามารถพัฒนาโซลูชันหลายอย่างที่มีริสก์ต่างๆ ที่มุ่งเป้าไปที่กรณีการใช้งานที่แตกต่างกัน ตัวอย่างเช่น เราพัฒน PROCOVA เพราะมันถือเป็นความเสี่ยงที่ต่ำมาก ซึ่งช่วยให้เราสามารถขอความคิดเห็นเกี่ยวกับการรับรองจาก European Medicines Agency (EMA) สำหรับการใช้เป็นการวิเคราะห์หลักในการทดลองทางคลินิกขั้นที่ 2 และ 3 ที่มีผลลัพธ์แบบต่อเนื่อง แต่ PROCOVA ไม่ได้ใช้ข้อมูลทั้งหมดที่ตัวจำลองดิจิทัลของเราสร้างขึ้นสำหรับผู้เข้าร่วมการทดลอง – มันปล่อยให้บางส่วนของประสิทธิภาพอยู่บนโต๊ะเพื่อให้สอดคล้องกับคำแนะนำด้านกฎระเบียบ แน่นอนว่า Unlearn มีอยู่เพื่อขยายขอบเขต ดังนั้นเราจึงสามารถเปิดตัวโซลูชันที่มีนวัตกรรมมากขึ้นที่มุ่งเป้าไปที่การประยุกต์ใช้ในขั้นตอนการศึกษาก่อนหน้าหรือการวิเคราะห์หลังการทดลองโดยที่เราสามารถใช้วิธีการอื่นๆ (เช่น การวิเคราะห์แบบเบย์)

สิ่งที่ท้าทายที่สุดและความสำเร็จที่สำคัญที่สุดของ Unlearn ในการใช้ AI ในด้านการแพทย์คืออะไร?

ความท้าทายที่ยิ่งใหญ่ที่สุดสำหรับเราและผู้ที่เกี่ยวข้องกับการใช้ AI ในการแก้ปัญหาทางการแพทย์คือเรื่องวัฒนธรรม ปัจจุบัน ผู้วิจัยส่วนใหญ่ในด้านการแพทย์ไม่คุ้นเคยกับ AI มากนัก และมักจะเข้าใจผิดเกี่ยวกับวิธีการทำงานของเทคโนโลยีเหล่านั้นจริงๆ ดังนั้น ผู้คนส่วนใหญ่จึงมีความกังขาที่จะเชื่อว่า AI จะมีประโยชน์ในระยะเวลาอันใกล้ ฉันคิดว่าสิ่งนี้จะเปลี่ยนแปลงในอนาคต แต่ชีววิทยาและด้านการแพทย์โดยทั่วไปแล้วจะตามหลังในด้านการนำเทคโนโลยีคอมพิวเตอร์ใหม่ๆ มาใช้ เรามีการพัฒนาทางเทคโนโลยีหลายอย่าง แต่สิ่งที่สำคัญที่สุดสำหรับการได้รับการยอมรับคือจุดพิสูจน์จากหน่วยงานกำกับดูแลหรือลูกค้า

วิสัยทัศน์โดยรวมของคุณสำหรับการใช้數ศาสตร์และการคำนวณในชีววิทยาคืออะไร?

 ในความคิดของฉัน เราสามารถเรียกสิ่งใดว่า “วิทยาศาสตร์” ได้ก็ต่อเมื่อวัตถุประสงค์ของมันคือการทำนายผลลัพธ์ของการทดลองในอนาคตอย่างแม่นยำและเป็นปริมาณ ปัจจุบัน药ประมาณ 90% ที่เข้าสู่การทดลองทางคลินิกล้มเหลว โดยทั่วไปเนื่องจากพวกมันไม่ได้ผลจริงๆ ดังนั้น เรายังห่างจากการตั้งคำทำนายที่แม่นยำและเป็นปริมาณในด้านชีววิทยาและด้านการแพทย์ส่วนใหญ่ ฉันไม่คิดว่าสิ่งนี้จะเปลี่ยนแปลงจนกว่าวิชานั้นๆ จะเปลี่ยนแปลง – จนกว่า數ศาสตร์และวิธีการคำนวณจะกลายเป็นเครื่องมือการให้เหตุผลหลักของชีววิทยา ความหวังของฉันคือการ งานที่เราทำที่ Unlearn เน้นย้ำถึงคุณค่าของการนำแนวทาง “AI ก่อน” มาใช้ในการแก้ปัญหาที่สำคัญและเป็นรูปธรรมในการวิจัยทางการแพทย์ และนักวิจัยในอนาคตสามารถนำวัฒนธรรมนั้นไปใช้กับชุดปัญหาที่กว้างขึ้น

ขอขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเยี่ยมชม Unlearn เพื่อเรียนรู้เพิ่มเติม