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. Їхні нові моделі штучного інтелекту аналізують великі об’єми даних про пацієнтів для прогнозування результатів здоров’я пацієнтів. Інтегруючи цифрові двійники в клінічні випробування, Unlearn може прискорити клінічні дослідження і допомогти запровадити нові методи лікування пацієнтам, які їх потребують.

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

Ви зараз перебуваєте в меншості щодо вашої фундаментальної віри в те, 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 свою думку 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 більшої обчислювальної науки в наступному десятилітті.

Як ця віра потім перейшла до запуску Unlearn?

У минулому багато обчислювальних методів у біології вважалися розв’язанням іграшкових проблем або проблем, далеко віддалених від застосувань у медицині, що робило важким продемонструвати реальну цінність. Наша мета – винайти нові методи штучного інтелекту для розв’язання 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 за допомогою штучного інтелекту?

Це звичайно в інженерії проектувати і тестувати пристрій за допомогою комп’ютерної моделі до будівництва реальної речі. Ми хотіли б дозволити щось подібне в медицині. Чи можемо ми симулювати ефект лікування на пацієнта до того, як ми його застосуємо? Хоча я думаю, що галузь досить далеко від цього сьогодні, наша 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, звані генераторами цифрових двійників (DTGs), які генерують цифрові двійники учасників клінічних випробувань. Цифровий двійник кожного учасника прогнозує, який би був результат, якщо б вони отримали плацебо в клінічному випробуванні. Якщо наші DTGs були абсолютно точними, то, в принципі, клінічні випробування могли б проводитися без груп плацебо. Але на практиці всі моделі роблять помилки, тому ми ставимо за мету проектувати рандомізовані випробування, які використовують менші групи плацебо, ніж традиційні випробування. Це робить його легшим для реєстрації в дослідженні, прискорюючи терміни випробувань.

Чи можете ви пояснити точно, що таке методологія PROCOVA™, кваліфікована регуляторами?

PROCOVA™ – це перший метод, який ми розробили, який дозволяє цифровим двійникам учасників бути використаними в клінічних випробуваннях так, щоб результати випробувань були стійкими до помилок, які може зробити модель у своїх прогнозах. По суті, PROCOVA використовує той факт, що деякі учасники дослідження випадково призначені до групи плацебо, щоб виправити прогнози цифрових двійників за допомогою статистичного методу, званого коригуванням коваріант. Це дозволяє нам проектувати дослідження, які використовують менші групи контролю, ніж зазвичай, або які мають вищу статистичну потужність, при цьому забезпечуючи, щоб ці дослідження все ще забезпечували суворі оцінки ефективності лікування. Ми також продовжимо дослідження та розробку для розширення цієї лінії рішень і надання ще більш потужних досліджень у майбутньому.

Як Unlearn балансує інновації з регуляторним дотриманням при розробці своїх рішень штучного інтелекту?

Рішення, спрямовані на клінічні випробування, зазвичай регулюються залежно від 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 низький ризик, що дозволило нам переслідувати кваліфікаційну думку Європейського агентства з лікарських засобів (EMA) для використання як основного аналізу у випробуваннях фази 2 і 3 з безперервними результатами. Але PROCOVA не використовує всю інформацію, надану цифровими двійниками, які ми створюємо для учасників випробувань – це залишає деяку продуктивність на столі, щоб відповідати регуляторним рекомендаціям. Натурально, Unlearn існує для того, щоб розширити межі, тому ми хочемо запустити ще більш інноваційні рішення, спрямовані на застосування в ранніх стадіях досліджень або пост-годичних аналізах, де ми можемо використовувати інші типи методів (наприклад, баєсівські аналізи), які забезпечують значно більше ефективності, ніж ми можемо з PROCOVA.

Які були деякими з найбільших проблем і проривів для Unlearn при використанні штучного інтелекту в медицині?

Найбільша проблема для нас і для будь-якого іншого, хто займається застосуванням штучного інтелекту до проблем у медицині, культурна. Наразі абсолютна більшість дослідників у медицині конкретно не дуже знайомі зі штучним інтелектом, і вони зазвичай помилково думають 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 обов’язково зміниться в найближчі роки, але біологія і медицина загалом відстають від більшості інших галузей щодо впровадження нових комп’ютерних технологій. У нас було багато технологічних проривів, але найважливішими речами для отримання прийняття є, ймовірно, докази від регуляторів або клієнтів.

Яка ваша загальна візія використання математики і обчислень у біології?

 На мою думку, ми можемо назвати щось “наукою” тільки в тому випадку, якщо її метою є зробити точні, кількісні прогнози про результати майбутніх експериментів. Наразі близько 90% ліків, які вступають в 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 ядро цих дисциплін не зміниться – 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 “першої” підходу до розв’язання важливої практичної проблеми у медичних дослідженнях, і майбутні дослідники зможуть взяти цю культуру і застосувати її до більш широкого набору проблем.

Дякуємо за велике інтерв’ю, читачам, які хочуть дізнатися більше, слід відвідати Unlearn.