Charles Fisher, Tiến sĩ, CEO & Founder của Unlearn – Loạt phỏng vấn

Charles Fisher, Tiến sĩ, là CEO và Founder của Unlearn, một nền tảng tận dụng AI để giải quyết một số điểm nghẽn lớn nhất trong phát triển lâm sàng: thời gian thử nghiệm dài, chi phí cao và kết quả không chắc chắn. Các mô hình AI 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 đẩy nhanh nghiên cứu lâm sàng và giúp đưa các phương pháp điều trị cứu sống mới đến những bệnh nhân cần chúng.

Charles là một nhà khoa học với lợi ích tại 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 Philippe Meyer Fellow trong vật lý lý thuyết tại École Normale Supérieure ở Paris, Pháp, và một nhà khoa học sau tiến sĩ trong sinh lý học tại Đại học Boston. Charles nắm giữ bằng Tiến sĩ về sinh lý học từ Đại học Harvard và bằng Cử nhân về sinh lý học từ Đại học Michigan.

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

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 ý định và đồng ý với tôi. Các mạng lưới thần kinh sâu đã mang lại cho chúng tôi 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 quy mô lớn cần thiết. Tôi nghĩ rằng điều đó là không thể tránh khỏi rằng sinh học sẽ chuyển sang trở thành một khoa học tính toán 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 đồ chơi hoặc các vấn đề xa rời khỏi các ứng dụng trong y học, điều này đã khiến việc chứng minh giá trị thực trở nên khó khăn. Mục tiêu của chúng tôi là phát minh ra các phương pháp mới trong AI 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.

Bạn có thể giải thích sứ mệnh của Unlearn nhằm loại bỏ thử và sai trong y học thông qua AI không?

Điều đó phổ biến trong kỹ thuật để thiết kế và thử nghiệm một thiết bị bằng cách sử dụng mô hình máy tính trước khi xây dựng thứ thật. Chúng tôi muốn kích hoạt 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 tôi đưa nó cho họ không? Mặc dù tôi nghĩ rằng lĩnh vực này 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 trong các thử nghiệm lâm sàng của Unlearn đẩy nhanh quá trình nghiên cứu và cải thiện kết quả?

Unlearn phát minh ra các mô hình AI được gọi là các nhà sản xuất bản sao kỹ thuật số (DTGs) tạo ra bản sao kỹ thuật số của các tham gia thử nghiệm lâm sàng. Mỗi bản sao kỹ thuật số của người tham gia dự đoán kết quả của họ sẽ là gì 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 việc ghi danh vào nghiên cứu trở nên dễ dàng hơn, đẩy nhanh thời gian thử nghiệm.

Bạn có thể giải thích chính xác phương pháp điều chỉnh dự báo tiên đoán (PROCOVA™) được cấp phép quy định của Unlearn không?

PROCOVA™ là phương pháp đầu tiên chúng tôi phát triển cho phép bản sao kỹ thuật số của người tham gia được sử dụng trong các thử nghiệm lâm sàng để kết quả thử nghiệm có độ tin cậy cao đối với các lỗi mà mô hình có thể mắc phải trong dự đoán của nó. Về cơ bản, PROCOVA sử dụng thực tế rằng một số người tham gia trong một nghiên cứu được chỉ định ngẫu nhiên cho nhóm giả dược để sửa đổi dự đoán của bản sao kỹ thuật số bằng cách sử dụng một phương pháp thống kê gọi là điều chỉnh đồng biến. Điều này cho phép chúng tôi thiết kế các nghiên cứu sử dụng các nhóm kiểm soát nhỏ hơn so với bình thường hoặc có sức mạnh thống kê cao hơn trong khi vẫn đảm bảo rằng các nghiên cứu đó cung cấp đánh giá nghiêm ngặt về hiệu quả của phương pháp điều trị. Chúng tôi cũng 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 AI của mình?

Các giải pháp nhằm vào các thử nghiệm lâm sàng thường được quy định dựa trên ngữ 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 nhằm vào các trường hợp sử dụng khác nhau. Ví dụ, chúng tôi đã phát triển PROCOVA vì nó có rủi ro cực thấp, điều này cho phép chúng tôi theo đuổi ý kiến ​​cấp phép 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 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 người tham gia thử nghiệm – nó để lại một số hiệu suất trên bàn để phù hợp với hướng dẫn quy định. Tất nhiên, Unlearn tồn tại để đẩy ranh giới nên chúng tôi có thể ra mắt các 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 PROCOVA.

Điều gì là một số thách thức và đột phá quan trọng nhất của Unlearn trong việc sử dụng AI trong y học?

Thách thức lớn nhất đối với chúng tôi và bất kỳ ai khác liên quan đến việc áp dụng AI 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 AI, 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 hoài nghi cao rằng AI sẽ hữu ích trong thời gian gần. 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.

Ứng dụng tổng thể của bạn cho việc sử dụng toán học và tính toán trong sinh học là gì?

 Trong ý kiến ​​của tôi, chúng ta chỉ có thể gọi một thứ gì đó là “khoa học” nếu mục tiêu của nó là đưa ra dự đoán chính xác, 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 vì chúng không thực sự hoạt động. Vì vậy, chúng tôi thực sự xa so với việc đưa ra dự đoán chính xác, định lượng ngay bây giờ khi nói đến hầu hết các lĩnh vực sinh học và y học. Tôi không nghĩ rằng điều đó thay đổi cho đến khi cốt lõi của những lĩnh vực đó thay đổi – cho đến khi toán học và các phương pháp tính toán trở thành các công cụ lý luận cốt lõi của sinh học. Hy vọng của tôi là công việc chúng tôi đang làm tại Unlearn nhấn mạnh giá trị của việc thực hiện một cách tiếp cận “AI đầu tiên” 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 rộng lớn hơn các vấn đề.

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