Door Allison Proffitt, redacteur, AI Trends   

Op het DECODE: AI for Pharmaceuticals-forum van vorige week bespraken farmaceutische leiders de culturele uitdagingen van AI in de farmacie en welke stappen hun instellingen nemen om AI beter in de onderneming te integreren.   

Noot van de redactie: leer meer over het DECODE-evenement, lees een interview  met Dominie Roberts, Cambridge Innovation Institute Senior Event Director, en Emma Huang, Senior Director of Data Sciences External Innovation bij Johnson & Johnson Innovation, en lid van de DECODE-adviesraad.   

Ten eerste betoogde Puneet Batra, directeur machine learning bij het Broad Institute, dat farmaceutisch onderzoek – in het bijzonder biologie – een cruciale rol te spelen bij het aansturen van AI en computeronderzoek. Zijn werk maakt deel uit van het nieuwe Eric en Wendy Schmidt Center aan de Broad, dat als missie heeft de biologie te positioneren om het volgende computertijdperk aan te drijven.  

Batra identificeerde twee grote revoluties van de 21e eeuw: de explosie van datatechnologieën (machine learning, cloud, enz.) en de bloei van biologische technologieën (sequencing, eencellige genomen, medische beeldvorming, enz.). Deze twee revoluties komen samen, maar het doel is niet alleen om machine learning toe te passen op biologische vraagstukken.     

Machine learning is tot nu toe aangedreven door beeldherkenning en voorspellende nauwkeurigheid, benadrukte Batra. Machine learning moet overstappen van voorspellende nauwkeurigheid naar causale modellering, waarbij 'waarom'-vragen worden beantwoord in plaats van alleen 'wat'-vragen. Biologie en haar unieke biologische vragen zouden een belangrijke drijfveer moeten zijn voor vooruitgang in de informatica.  

Biologische vragen gaan gepaard met een aantal specifieke beperkingen die vorm zullen geven aan nieuwe machine learning- en computerstrategieën. Gegevens zijn niet op onbeperkte schaal beschikbaar, gegevensreductie loopt het risico de biologische complexiteit te verliezen en modellen die in de kliniek worden toegepast, vereisen een verhoogd niveau van controle. Maar Batra denkt dat dit juist de drijfveren zijn die de computer in de toekomst vorm moeten geven. Het doel, zei hij, is "om de centrale vragen te stellen die de biologie moet beantwoorden, dit causale aspect, dit mechanistische aspect, om die belangrijkste behoeften aanjagers te maken van extra vooruitgang in de informatica."    

Welke gegevens, welke problemen?    

De vraaggerichte benadering was een rode draad doorheen het evenement. Begin met een vraag in gedachten, verschillende farmaceutische leiders betoogd in een panel, in plaats van te beginnen met de gegevens die voorhanden zijn. Mensen hebben de neiging om zich eerst te concentreren op data of algoritmen, zegt Paul Bleicher, oprichter van PhaseForward, meest recentelijk bij Optum Labs, en nu directeur bij Evident Health Strategies.   

Deze benadering mist de meer fundamentele vraag: welk probleem probeert u op te lossen en hoe, indien opgelost, zal dat waarde of kwaliteit creëren voor het bedrijf en de patiënten. Pas dan, zei Bleicher, begin je je af te vragen: 'Welke gegevens heb je nodig? Welke van de datasets waar we toegang toe hebben, kunnen worden gebruikt? Wanneer zullen die gegevens mogelijk vooringenomenheid veroorzaken? Waar zal het problemen veroorzaken? Als je dat allemaal bij elkaar hebt, bedenk dan welke algoritmen en de manier waarop je alles in elkaar zet.”    

Deze probleem-eerst-aanpak stelt u in staat helder na te denken over hoeveel - en wat voor soort - gegevens u werkelijk nodig heeft en welke tools u zult gebruiken om deze te verwerken. Zorg ervoor dat u niet al uw beschikbare tijd, geld en middelen besteedt aan het zo mooi opschonen van datasets dat er geen bandbreedte meer over is voor het gebruiken van en handelen op de data.    

Jacob Janey, wetenschappelijk directeur, chemische en synthetische ontwikkeling bij Bristol-Myers Squibb, pleitte voor een minimaal levensvatbare modelbenadering voor zowel de benodigde gegevens als het gekozen algoritme. Krijg "goed genoeg" gegevens, die sterk afhangen van de vraag die u wilt beantwoorden of het probleem dat u hoopt op te lossen, zei hij. En kies vervolgens een analyse-optie die voldoende is voor zijn doel. "Mensen hebben de neiging om naar deep learning of neurale netwerken te springen, terwijl het soms een eenvoudige regressie of een eenvoudig willekeurig bos kan zijn, wat zijn eigen voordelen heeft", zei hij.   

Het AI-organigram opnieuw vormgeven  

Reza Olfati-Saber, PhD, Global Head AI & Deep Analytics, Digital & Data Science R&D, bij Sanofi schetste de organisatiestructuur dat zal ten grondslag liggen aan een echt AI-enabled farmaceutisch bedrijf. Hij stelde een piramide-architectuur voor met computing (cloud, infrastructuur) als brede basis, voortschrijdend via applicaties (gegevensopslag, app-ontwikkeling, beveiliging), gegevens (gegevensbeheer en beveiliging), analyse (gegevensanalyse en visualisatie), machine learning en tot slot AI-beleid (kwaliteit en ethiek).   

Olfati-Saber stelt dat de data- en AI-onderneming van de farma geleid moet worden door een top digitale expert en een top AI-expert die samenwerken. Het is "praktisch onmogelijk" om van een Chief Data Officer te verwachten dat hij de hele piramide goed genoeg kent om een ​​digitale transformatie mogelijk te maken, zei hij. De tag-teambenadering is essentieel. "Iets anders zou het werk niet doen," zei hij.   

Sessies van DECODE: AI voor farmaceutische producten, zijn nu op aanvraag beschikbaar. 

Coinsmart. Beste Bitcoin-beurs in Europa
Bron: https://www.aitrends.com/ai-and-pharma/drive-ai-into-pharma-by-asking-the-right-questions-suggest-decode-speakers/