Чарльз Фішер, Ph.D., CEO та засновник Unlearn – Інтерв’ю серія

Чарльз Фішер, Ph.D., є CEO і засновником Unlearn, платформи, яка використовує штучний інтелект для вирішення деяких з найбільших проблем у клінічному розвитку: тривалих термінів клінічних випробувань, високих витрат і невизначених результатів. Їх нові моделі штучного інтелекту аналізують великі об’єми даних пацієнтів, щоб прогнозувати результати здоров’я пацієнтів. Інтегруючи цифрові двійники у клінічні випробування, Unlearn能够 прискорити клінічні дослідження і допомогти привести нові методи лікування до пацієнтів, яким це потрібно.

Чарльз є вченим з інтересами на перетині фізики, машинного навчання і комп’ютерної біології. Раніше Чарльз працював інженером-машинним навчанням у Leap Motion і комп’ютерним біологом у Pfizer. Він був стипендіатом Філіпа Мейера з теоретичної фізики в École Normale Supérieure у Парижі, Франції, і постдокторським вченим у біофізиці в Бостонському університеті. Чарльз має ступінь Ph.D. з біофізики Гарвардського університету і ступінь B.S. з біофізики Мічиганського університету.

Ви зараз перебуваєте в меншості у вашій фундаментальній вірі, що математика і обчислення повинні бути основою біології. Як ви спочатку прийшли до цих висновків?

Це, ймовірно, просто тому, що математика і обчислювальні методи не були достатньо підкреслені в біологічній освіті в останні роки, але з моєї точки зору, люди починають змінювати свої думки і погоджуватися зі мною. Глибокі нейронні мережі дали нам новий набір інструментів для складних систем, і автоматизація допомагає створювати великомасштабні біологічні набори даних, необхідні для цього. Я думаю, що це неминуче, що біологія переходить до більш обчислювальної науки в наступному десятилітті.

Як ця віра потім перейшла до запуску Unlearn?

У минулому, багато обчислювальних методів у біології були розглянуті як рішення ігрових проблем або проблем, далеко віддалених від застосувань у медицині, що зробило складно продемонструвати реальну цінність. Наша мета – винайти нові методи штучного інтелекту для вирішення проблем у медицині, але ми також зосереджені на пошуку областей, таких як клінічні випробування, де ми можемо продемонструвати реальну цінність.

Чи можете ви пояснити місію Unlearn щодо ліквідації проб і помилок у медицині через штучний інтелект?

Це звичайно в інженерії проектувати і тестувати пристрій за допомогою комп’ютерної моделі перед будівництвом реальної речі. Ми хотіли б дозволити щось подібне у медицині. Чи можемо ми симулювати ефект лікування на пацієнта, перш ніж дати йому його? Хоча я думаю, що галузь досить далеко від цього сьогодні,我们的 мета – винайти технологію, щоб зробити це можливим.

Як використання Unlearn цифрових двійників у клінічних випробуваннях прискорює процес дослідження і покращує результати?

Unlearn винаходить моделі штучного інтелекту під назвою цифрові двійники (DTGs), які генерують цифрові двійники учасників клінічних випробувань. Кожен учасник має цифрового двійника, який прогнозує, який би був результат, якщо б він отримав плацебо у клінічному випробуванні. Якщо наші DTGs були абсолютно точними, то, в принципі, клінічні випробування могли б проводитися без плацебо-груп. Але на практиці всі моделі роблять помилки, тому ми намагаємося проектувати рандомізовані випробування, які використовують менші плацебо-групи, ніж традиційні випробування. Це робить його легше записатися у дослідження, прискорюючи терміни випробувань.

Чи можете ви роз’яснити точно, що таке регуляторно-відібрана Прогностична Коваріантна Корекція (PROCOVA™) методологія Unlearn?

PROCOVA™ – це перший метод, який ми розробили, який дозволяє використовувати цифрові двійники учасників у клінічних випробуваннях так, щоб результати випробувань були стійкими до помилок, які модель може зробити у своїх прогнозах. По суті, PROCOVA використовує той факт, що деякі учасники дослідження випадково призначені до плацебо-групи, щоб виправити прогнози цифрових двійників за допомогою статистичного методу під назвою коваріантна корекція. Це дозволяє нам проектувати дослідження, які використовують менші контрольні групи, ніж звичайно, або які мають вищу статистичну потужність, забезпечуючи, що ці дослідження все одно забезпечують суворі оцінки ефективності лікування. Ми також продовжимо дослідження та розробки, щоб розширити цю лінію рішень і забезпечити ще більш потужні дослідження в майбутньому.

Як Unlearn балансує інновації з регуляторною відповідністю при розробці своїх рішень штучного інтелекту?

Рішення, спрямовані на клінічні випробування, загалом регулюються залежно від їхнього контексту використання, що означає, що ми можемо розробляти кілька рішень з різними профілями ризику, спрямованих на різні випадки використання. Наприклад, ми розробили PROCOVA, оскільки це дуже низькоризикове рішення, що дозволило нам переслідувати кваліфікаційну думку Європейського агентства з лікарських засобів (EMA) для використання як основного аналізу у фазі 2 і 3 клінічних випробувань з безперервними результатами. Але PROCOVA не використовує всю інформацію, надану цифровими двійниками, які ми створюємо для учасників випробувань – це залишає деяку продуктивність на стороні, щоб відповідати регуляторним вказівкам. Очевидно, Unlearn існує для того, щоб розширити межі, тому ми можемо запустити більш інноваційні рішення, спрямовані на застосування в ранніх стадіях досліджень або пост-хок-аналізах, де ми можемо використовувати інші типи методів (наприклад, баєсівські аналізи), які забезпечують значно більшу ефективність, ніж ми можемо з PROCOVA.

Які були деякі з найбільш значних викликів і проривів для Unlearn при використанні штучного інтелекту в медицині?

Найбільшим викликом для нас і будь-кого іншого, хто займається застосуванням штучного інтелекту до проблем у медицині, є культурний. Наразі абсолютна більшість дослідників у медицині конкретно не дуже знайомі зі штучним інтелектом і зазвичай помилково інформовані про те, як працюють основні технології. В результаті більшість людей дуже скептично ставляться до того, що штучний інтелект буде корисним у найближчому майбутньому. Я думаю, що це неминуче зміниться в найближчі роки, але біологія і медицина загалом відстають від більшості інших галузей, коли мова йде про прийняття нових комп’ютерних технологій. У нас було багато технологічних проривів, але найважливішими речами для отримання прийняття є, ймовірно, доведення регуляторами або клієнтами.

Яка ваша загальна візія використання математики і обчислень у біології?

 На мою думку, ми можемо назвати щось “наукою” тільки тоді, коли її мета – зробити точні, кількісні прогнози про результати майбутніх експериментів. Наразі близько 90% ліків, які вступають у клінічні випробування, не проходять, зазвичай тому, що вони просто не працюють. Тому ми дуже далеко від того, щоб зробити точні, кількісні прогнози зараз, коли мова йде про більшість областей біології і медицини. Я не думаю, що це зміниться, поки не зміниться ядро цих дисциплін – поки математика і обчислювальні методи не стануть основними інструментами мислення біології. Моя надія полягає в тому, що робота, яку ми робимо в Unlearn, підкреслює цінність прийняття “першого штучного інтелекту” підходу до вирішення важливої практичної проблеми у медичних дослідженнях, і майбутні дослідники зможуть взяти цю культуру і застосувати її до ширшого спектра проблем.

Дякуємо за велике інтерв’ю, читачам, які бажають дізнатися більше, повинні відвідати Unlearn.