Charles Fisher, Tiến sĩ, CEO & Người sáng lập Unlearn – Loạt phỏng vấn

Charles Fisher, Tiến sĩ, là CEO và Người sáng lập của Unlearn, một nền tảng tận dụng trí tuệ nhân tạo để giải quyết một số nút thắt lớn nhất trong phát triển lâm sàng: thời gian thử nghiệm dài, chi phí cao và kết quả không chắc chắn. Các mô hình trí tuệ nhân tạo mới của họ phân tích lượng lớn dữ liệu cấp bệnh nhân để dự đoán kết quả sức khỏe của bệnh nhân. Bằng cách tích hợp các bản sao kỹ thuật số vào các thử nghiệm lâm sàng, Unlearn có thể tăng tốc nghiên cứu lâm sàng và giúp đưa các phương pháp điều trị mới cứu sống đến những bệnh nhân cần chúng.

Charles là một nhà khoa học với sự quan tâm ở giao điểm của vật lý, học máy và sinh học tính toán. Trước đây, Charles đã làm việc như một kỹ sư học máy tại Leap Motion và một nhà sinh học tính toán tại Pfizer. Ông là một nghiên cứu sinh tại École Normale Supérieure ở Paris, Pháp, và một nhà khoa học sau tiến sĩ tại Đại học Boston. Charles có bằng Tiến sĩ về sinh học tính toán từ Đại học Harvard và bằng Cử nhân về sinh học tính toán từ Đại học Michigan.

Bạn hiện đang là thiểu số trong niềm tin cơ bản rằng toán học và tính toán nên là nền tảng của sinh học. Làm thế nào bạn đã đạt được những kết luận này ban đầu?

Đó có lẽ chỉ vì toán học và các phương pháp tính toán chưa được nhấn mạnh đủ trong giáo dục sinh học trong những năm gần đây, nhưng từ nơi tôi ngồi, mọi người đang bắt đầu thay đổi suy nghĩ và đồng ý với tôi. Các mạng lưới thần kinh sâu đã mang lại cho chúng ta một tập hợp các công cụ mới cho các hệ thống phức tạp, và tự động hóa đang giúp tạo ra các tập dữ liệu sinh học lớn cần thiết. Tôi nghĩ rằng điều đó là không thể tránh khỏi khi sinh học chuyển sang trở thành một khoa học tính toán nhiều hơn trong thập kỷ tới.

Làm thế nào niềm tin này sau đó chuyển sang việc ra mắt Unlearn?

Trong quá khứ, nhiều phương pháp tính toán trong sinh học đã được coi là giải quyết các vấn đề chơi hoặc các vấn đề cách xa các ứng dụng trong y học, điều này đã khiến cho việc chứng minh giá trị thực sự trở nên khó khăn. Mục tiêu của chúng tôi là phát minh ra các phương pháp mới trong trí tuệ nhân tạo để giải quyết các vấn đề trong y học, nhưng chúng tôi cũng tập trung vào việc tìm kiếm các lĩnh vực, như trong các thử nghiệm lâm sàng, nơi chúng tôi có thể chứng minh giá trị thực sự.

Bạn có thể giải thích sứ mệnh của Unlearn trong việc loại bỏ thử nghiệm và sai lầm trong y học thông qua trí tuệ nhân tạo không?

Điều này rất phổ biến trong kỹ thuật để thiết kế và thử nghiệm một thiết bị bằng mô hình máy tính trước khi xây dựng thiết bị thực. Chúng tôi muốn cho phép điều gì đó tương tự trong y học. Chúng ta có thể mô phỏng hiệu ứng của một phương pháp điều trị sẽ có trên một bệnh nhân trước khi chúng ta đưa nó cho họ không? Mặc dù tôi nghĩ rằng lĩnh vực này vẫn còn khá xa so với điều đó ngày hôm nay, mục tiêu của chúng tôi là phát minh ra công nghệ để làm cho nó có thể.

Làm thế nào việc sử dụng bản sao kỹ thuật số của Unlearn trong các thử nghiệm lâm sàng tăng tốc quá trình nghiên cứu và cải thiện kết quả?

Unlearn phát minh ra các mô hình trí tuệ nhân tạo được gọi là các nhà sản xuất bản sao kỹ thuật số (DTGs) tạo ra các bản sao kỹ thuật số của các tham gia thử nghiệm lâm sàng. Mỗi bản sao kỹ thuật số của tham gia dự đoán kết quả sẽ như thế nào nếu họ nhận được giả dược trong một thử nghiệm lâm sàng. Nếu các DTGs của chúng tôi hoàn hảo chính xác, thì về nguyên tắc, các thử nghiệm lâm sàng có thể được chạy mà không cần nhóm giả dược. Nhưng trên thực tế, tất cả các mô hình đều mắc lỗi, vì vậy chúng tôi nhằm mục đích thiết kế các thử nghiệm ngẫu nhiên sử dụng các nhóm giả dược nhỏ hơn so với các thử nghiệm truyền thống. Điều này làm cho nó dễ dàng hơn để đăng ký vào nghiên cứu, tăng tốc thời gian thử nghiệm.

Bạn có thể giải thích chính xác phương pháp Điều chỉnh Covariate Dự báo (PROCOVA ™) của Unlearn không?

PROCOVA ™ là phương pháp đầu tiên chúng tôi phát triển cho phép các bản sao kỹ thuật số của các tham gia được sử dụng trong các thử nghiệm lâm sàng để các kết quả thử nghiệm vẫn mạnh mẽ đối với các lỗi mà mô hình có thể thực hiện trong các dự báo của nó. Về cơ bản, PROCOVA sử dụng thực tế là một số tham gia trong một nghiên cứu được chỉ định ngẫu nhiên cho nhóm giả dược để sửa các dự báo của bản sao kỹ thuật số bằng một phương pháp thống kê được gọi là điều chỉnh covariate. Điều này cho phép chúng tôi thiết kế các nghiên cứu sử dụng các nhóm kiểm soát nhỏ hơn so với thông thường hoặc có sức mạnh thống kê cao hơn trong khi vẫn đảm bảo rằng các nghiên cứu đó cung cấp các đánh giá nghiêm ngặt về hiệu quả của phương pháp điều trị. Chúng tôi cũng đang tiếp tục nghiên cứu và phát triển để mở rộng dòng giải pháp này và cung cấp các nghiên cứu mạnh mẽ hơn trong tương lai.

Làm thế nào Unlearn cân bằng sự đổi mới với tuân thủ quy định trong việc phát triển các giải pháp trí tuệ nhân tạo của mình?

Các giải pháp nhằm vào các thử nghiệm lâm sàng nói chung được quản lý dựa trên bối cảnh sử dụng, điều này có nghĩa là chúng tôi có thể phát triển nhiều giải pháp với các hồ sơ rủi ro khác nhau được nhắm vào các trường hợp sử dụng khác nhau. Ví dụ, chúng tôi đã phát triển PROCOVA vì nó có rủi ro rất thấp, điều này cho phép chúng tôi theo đuổi ý kiến ​​về việc đủ điều kiện từ Cơ quan Dược phẩm Châu Âu (EMA) để sử dụng làm phân tích chính trong các thử nghiệm lâm sàng giai đoạn 2 và 3 với các kết quả liên tục. Nhưng PROCOVA không tận dụng tất cả thông tin được cung cấp bởi các bản sao kỹ thuật số mà chúng tôi tạo cho các tham gia thử nghiệm – nó để lại một số hiệu suất trên bàn để phù hợp với hướng dẫn quản lý. Tất nhiên, Unlearn tồn tại để đẩy ranh giới nên chúng tôi có thể ra mắt nhiều giải pháp đổi mới hơn nhằm vào các ứng dụng trong các nghiên cứu giai đoạn đầu hoặc phân tích hậu kỳ nơi chúng tôi có thể sử dụng các phương pháp khác (ví dụ: phân tích Bayesian) cung cấp hiệu quả nhiều hơn so với chúng tôi có thể với PROCOVA.

Điều gì là những thách thức và đột phá quan trọng nhất của Unlearn trong việc sử dụng trí tuệ nhân tạo trong y học?

Thử thách lớn nhất đối với chúng tôi và bất kỳ ai khác tham gia vào việc áp dụng trí tuệ nhân tạo vào các vấn đề trong y học là văn hóa. Hiện tại, đa số các nhà nghiên cứu trong y học cụ thể không quen thuộc với trí tuệ nhân tạo và họ thường bị hiểu lầm về cách các công nghệ cơ bản thực sự hoạt động. Kết quả là, hầu hết mọi người đều rất hoài nghi rằng trí tuệ nhân tạo sẽ hữu ích trong thời gian ngắn. Tôi nghĩ rằng điều đó sẽ thay đổi không thể tránh khỏi trong những năm tới, nhưng sinh học và y học nói chung thường chậm hơn so với hầu hết các lĩnh vực khác khi nói đến việc áp dụng các công nghệ máy tính mới. Chúng tôi đã có nhiều đột phá công nghệ, nhưng những điều quan trọng nhất để đạt được sự áp dụng có lẽ là các điểm chứng minh từ các cơ quan quản lý hoặc khách hàng.

Viễn cảnh tổng thể của bạn về việc sử dụng toán học và tính toán trong sinh học là gì?

 Trong quan điểm của tôi, chúng ta chỉ có thể gọi một điều gì đó là “khoa học” nếu mục tiêu của nó là đưa ra các dự đoán chính xác và định lượng về kết quả của các thí nghiệm trong tương lai. Hiện tại, khoảng 90% thuốc đi vào các thử nghiệm lâm sàng trên người thất bại, thường là vì chúng không thực sự hoạt động. Vì vậy, chúng ta thực sự còn rất xa so với việc đưa ra các dự đoán chính xác và định lượng ngay bây giờ khi nói đến hầu hết các lĩnh vực của sinh học và y học. Tôi không nghĩ rằng điều đó thay đổi cho đến khi cốt lõi của các lĩnh vực đó thay đổi – cho đến khi toán học và các phương pháp tính toán trở thành các công cụ lập luận cốt lõi của sinh học. Hy vọng của tôi là công việc chúng tôi đang làm tại Unlearn sẽ làm nổi bật giá trị của việc áp dụng một cách tiếp cận “trí tuệ nhân tạo trước” để giải quyết một vấn đề thực tế quan trọng trong nghiên cứu y học, và các nhà nghiên cứu trong tương lai có thể lấy văn hóa đó và áp dụng nó vào một tập hợp các vấn đề rộng lớn hơn.

Cảm ơn bạn vì cuộc phỏng vấn tuyệt vời, những người đọc muốn tìm hiểu thêm nên truy cập Unlearn.