人工智能籌集1200萬美元加速數字雙胞胎臨床試驗

一家為臨床研究設計軟件工具的公司Unlearn.ai今天宣布，它獲得了1200萬$股權融資。 不了解“數字孿生”試驗方法，即用數字模型代替真正的試驗對象，可以減少在不犧牲證據標準的情況下進行試驗所需的人數。

不學習的技術也有助于解決臨床研究中的系統(tǒng)性重復性問題，拜耳和安根最近的一對調查使這一問題得到了明顯的緩解。 拜耳報告成功復制了它分析的僅25%的已發(fā)表的臨床前研究，而安根在53項里程碑式的癌癥研究中只有6項(11%)證實了這一發(fā)現。

未學習是由物理學家查爾斯·費舍爾、亞倫·史密斯和喬恩·沃爾什在2017年共同創(chuàng)建的，他們最初在一個名為受限Boltzmann機器(RBMS)的人工智能體系結構上構建了該公司的平臺。 RBMS受統(tǒng)計力學的啟發(fā)，可以模擬一個人的特征，同時面對丟失的數據保持穩(wěn)健，但它們對來自不同群體的數據建模不好，產生了混合而不是不同的分布，例如病人。

為了解決這些缺點，該團隊設計了一個名為Paysage的開源軟件包，該軟件包實現了無監(jiān)督學習算法(這意味著它們使用的數據沒有被分類或標記)，包括RBM和生成對抗性網絡的混合：Boltzmann編碼對抗性機器(B EAM)。 GANS是兩部分人工智能模型，由一個generatorthat創(chuàng)建樣本和adiscrickinator組成，試圖區(qū)分生成的樣本和真實世界的樣本，這種獨特的安排使它們能夠獲得令人印象深刻的媒體合成成就。

未學習的DiGenes is平臺是建立在這個混合模型之上的。 它處理來自數千名患者的歷史臨床試驗數據集，以構建特定疾病的機器學習模型，用于創(chuàng)建數字雙胞胎及其相應的虛擬病歷.. 數字雙胞胎記錄是縱向的，包括人口學信息、常見的實驗室測試、終點和/或生物標志物，這些記錄看起來與臨床試驗中的實際病人記錄相同。