查尔斯·费舍尔，博士，Unlearn 的 CEO 和创始人 – 采访系列

查尔斯·费舍尔，博士，是 Unlearn 的 CEO 和创始人，Unlearn 是一个利用人工智能解决临床开发中一些最大瓶颈的平台：长时间的试验时间表、高成本和不确定的结果。他们的新型人工智能模型分析大量的患者级数据，以预测患者的健康结果。通过将数字孪生技术集成到临床试验中，Unlearn 能够加速临床研究，并帮助将救命的新治疗方法带给需要的患者。

查尔斯是一位科学家，具有物理、机器学习和计算生物学交叉的研究兴趣。之前，查尔斯曾在 Leap Motion 担任机器学习工程师，并在 Pfizer 担任计算生物学家。他曾是法国巴黎高等师范学校的菲利普·梅耶研究员，并在波士顿大学担任生物物理学的博士后科学家。查尔斯拥有哈佛大学生物物理学博士学位和密歇根大学生物物理学学士学位。

您目前在生物学中数学和计算应该是基础这一根本信念中处于少数。您最初是如何得出这些结论的？

这可能只是因为数学和计算方法在生物学教育中没有被充分强调，但从我的角度来看，人们开始改变他们的想法并同意我的观点。深度神经网络为我们提供了一套复杂系统的新工具，自动化正在帮助创建大规模的生物数据集。我认为在接下来的十年里，生物学转变为计算科学是不可避免的。

您如何将这种信念转变为启动 Unlearn？

在过去，生物学中的许多计算方法被视为解决玩具问题或远离医学应用的问题，这使得很难证明真正的价值。我们的目标是发明新的方法来解决医学中的问题，但我们也专注于找到可以证明真正价值的领域，例如临床试验。

您能解释 Unlearn 通过人工智能消除医学中试验和错误的使命吗？

在工程中，设计和测试一个设备使用计算机模型之前建造真正的东西是很常见的。我们希望在医学中实现类似的事情。我们能否在给予患者治疗之前模拟治疗的效果？虽然我认为这个领域今天还很远，但我们的目标是发明使其成为可能的技术。

Unlearn 在临床试验中使用数字孪生技术如何加速研究过程和改善结果？

Unlearn 发明了一种称为数字孪生生成器（DTGs）的人工智能模型，生成临床试验参与者的数字孪生。每个参与者的数字孪生预测他们在临床试验中接受安慰剂的结果。如果我们的 DTGs 完全准确，那么，从理论上讲，临床试验可以在没有安慰剂组的情况下进行。但是在实践中，所有模型都会犯错误，因此我们旨在设计使用比传统试验小的安慰剂组的随机试验。这使得更容易报名参加研究，从而加快试验时间表。

您能详细解释 Unlearn 的监管合格的预后协变量调整（PROCOVA）方法吗？

PROCOVA 是我们开发的第一种方法，允许参与者的数字孪生在临床试验中使用，以便试验结果对模型可能犯的错误具有鲁棒性。基本上，PROCOVA 使用一些参与者被随机分配到安慰剂组的事实来纠正数字孪生的预测，使用一种称为协变量调整的统计方法。这使我们能够设计使用比正常小的对照组或具有更高统计功效的研究，同时确保这些研究仍然提供对治疗效果的严格评估。我们还将继续研发以扩展这一系列解决方案，并提供更强大的研究。

Unlearn 如何在开发其人工智能解决方案时平衡创新与监管合规性？

针对临床试验的解决方案通常根据其使用背景进行监管，这意味着我们可以开发具有不同风险特征的多个解决方案，针对不同的使用场景。例如，我们开发了 PROCOVA，因为它的风险非常低，这使我们能够从欧洲药品管理局（EMA）获得资格意见，以便在 2 期和 3 期临床试验中使用连续结果作为主要分析。但 PROCOVA 没有利用我们为试验参与者创建的数字孪生提供的所有信息——它留下了一些性能以符合监管指南。当然，Unlearn 的存在是为了推动边界，所以我们可以推出更多创新解决方案，针对早期研究或事后分析的应用，在那里我们可以使用其他类型的方法（例如贝叶斯分析），这些方法比 PROCOVA 提供了更高的效率。

Unlearn 在医学中利用人工智能面临的一些最重大挑战和突破是什么？

我们和任何其他人在医学中应用人工智能面临的最大挑战是文化挑战。目前，医学研究人员中绝大多数人对人工智能并不非常熟悉，他们通常对底层技术的工作原理有所误解。因此，大多数人都对人工智能在短期内的有用性持怀疑态度。我认为这将在未来几年内不可避免地改变，但生物学和医学通常在采用新计算技术方面落后于其他领域。我们已经取得了许多技术突破，但最重要的是来自监管机构或客户的证明点。

您对在生物学中使用数学和计算的整体愿景是什么？

 在我看来，只有当其目标是对未来实验的结果做出准确、量化的预测时，我们才能称之为“科学”。目前，大约 90% 进入人体临床试验的药物最终失败，通常是因为它们实际上不起作用。因此，我们距离在生物学和医学的许多领域中做出准确、量化的预测还很远。我不认为这种情况会改变，直到这些学科的核心发生变化——直到数学和计算方法成为生物学的核心推理工具。我的希望是，我们在 Unlearn 所做的工作凸显了采用“人工智能优先”的方法来解决医学研究中的一个重要实际问题的价值，并且未来的研究人员可以采取这种文化并将其应用于更广泛的问题集。

感谢这次精彩的采访，希望了解更多的读者可以访问 Unlearn。