آزمایشگاه Valar ابزار پیش‌بینی مراقبت از سرطان مبتنی بر هوش مصنوعی را معرفی کرد و 22 میلیون دلار تضمین کرد

قرار دادن هوش مصنوعی در صنعت مراقبت های بهداشتی یک تجارت دشوار است. در انکولوژی که خطرات آن به ویژه زیاد است، حتی بیشتر از این اتفاق می افتد. استارتاپ بیوتکنولوژی آزمایشگاه والار با هدف بالا، اما با ابزاری که به طور دقیق نتایج درمان خاصی را پیش‌بینی می‌کند، شروع می‌کند و به طور بالقوه در زمان گرانبهای بیماران صرفه‌جویی می‌کند. 22 میلیون دلار برای گسترش سرطان ها و درمان های جدید جمع آوری کرده است.

هر سرطانی متفاوت است، اما بسیاری از آنها بهترین شیوه ها را در طول سال ها آزمایش ایجاد کرده اند. با این حال، گاهی اوقات این بدان معناست که ماه‌ها از یک رژیم درمانی معین را پشت سر می‌گذاریم تا بفهمیم که آیا این رژیم مؤثر است یا خیر.

یکی از بنیانگذاران Valar به TechCrunch توضیح دادند که سرطان مثانه یکی از این موارد است. اولین درمان رایجی که توسط انکولوژیست ها توصیه می شود، به نام درمان BCG، تقریباً یک سکه شانس کار دارد – که در واقع بسیار خوب است! اما آیا خوب نیست که برای شروع مجبور نباشیم آن سکه را برگردانیم؟ این مشکلی است که Valar سعی در حل آن دارد.

مدیر عامل شرکت آنیرود جوشی گفت که تیم با یکدیگر در استنفورد ملاقات کردند، جایی که آنها در حال بررسی پشتیبانی هوش مصنوعی برای تصمیم گیری بالینی بودند. به عبارت دیگر، کمک به بیماران و پزشکان برای تصمیم گیری در مورد مسیر درمانی، چه از دو یا یک دوجین باشد.

جوشی گفت: “آنچه که ما آموختیم این است که اکثر بیماران سرطانی امروز، برنامه درمانی آنها واقعا نامشخص است.” “آنها گزینه هایی دارند، اما سخت است که بگوییم چه چیزی خوب است – فقط باید چیزهایی را امتحان کنید. بنابراین کل ایده ما این بود که این تصمیم آگاهانه باشد. در درمان سرطان مثانه، از هر دو بیمار تنها یک نفر به مراقبت های استاندارد پاسخ می دهد. اگر می‌دانستیم کدام بیمار کدام است، مجبور نبودیم یک سال درمان را برای چیزی که جواب نمی‌دهد تلف کنیم.»

اولین آزمایشی که آنها توسعه داده اند، به نام Vesta، بر روی این وضعیت خاص متمرکز است. و این یک راه‌حل نرم‌افزاری نظری نیست: این تیم با ده‌ها مرکز پزشکی در سراسر جهان کار کردند تا بیش از 1000 بیمار را مطالعه کنند و بفهمند دقیقاً چه چیزی باعث می‌شود آنها به درمان‌های خاص پاسخ دهند.

دو جزء در این فرآیند وجود دارد: اول، یک هوش مصنوعی بصری (یا مدل بینایی کامپیوتری) که بر روی هزاران تصویر بافت شناسی از بیماران سرطانی آموزش دیده است. این برش های نازک از بافت آسیب دیده به طور فزاینده ای توسط متخصصان اسکن و بازرسی می شوند، اگرچه این فرآیند می تواند تا حدودی تقریبی باشد.

Viswesh Krishna، CTO توضیح داد: “این تصویر با وضوح فوق العاده بالا به شما چیزهای زیادی در مورد آنچه در سطح سلولی یک تومور اتفاق می افتد می گوید.” ما مدل‌های خود را روی این تصویر اجرا می‌کنیم تا مقدار بسیار زیادی از ویژگی‌ها را استخراج کنیم، شبیه به یک پانل ژنومی. ما هزاران مطالعه بافت شناسی ایجاد می کنیم [i.e. important image features]و مهم ترین مواردی را که آسیب شناسان ممکن است به آنها نگاه کنند، اما واقعا نمی توانند کمیت کنند را در نظر بگیرید. آنها ممکن است ببینند که متفاوت هستند اما نمی توانند تفاوت بین آنها را اندازه گیری کنند.

جوشی مواظب بود اضافه کند که آنها سعی در جایگزینی پاتولوژیست ندارند، بلکه آنها را تقویت می کنند. ممکن است آن را به عنوان یک میکروسکوپ هوشمند در نظر بگیرید که به متخصص کمک می کند تا اندازه گیری های دقیقی را در مواردی مانند آسیب سلولی، پاسخ ایمنی و سایر ساختارهایی که نشان دهنده چگونگی پیشرفت یا مهار بیماری است انجام دهد.

در نهایت، دکتر همیشه در صندلی راننده است. این فقط داده های بیشتری است و آنها آن را دوست دارند. و آوردن آزمایش هایی از این دست یک دیدگاه خارجی پایه گذاری است و بیماران واقعاً آن را دوست دارند.

گروه متذکر شد که بخش تصویربرداری بر روی داده های زیادی آموزش دیده است و در بسیاری از حوزه ها و سرطان ها قابل تعمیم است. شمارش لنفوسیت ها در بافت سرطان سینه تا حد زیادی همانند انجام آن در بافت سرطان پوست است. اما آنچه که این شمارش، یا هر یک از نشانگرهای زیستی قابل اندازه‌گیری دیگر که مدل می‌تواند شناسایی کند، در مورد احتمال پاسخ بیمار به درمان می‌گوید به شرایط خاص بسیار محدودتر است.

بر این اساس، دومین جزء سیستم Valar چیزی است که واقعاً باید در یک موقعیت بالینی خاص شماره گیری شود. و برای این منظور، این شرکت نشان داده است که در مورد خاص سرطان مثانه و رژیم درمانی استاندارد، آزمایش آن بسیار دقیق‌تر از هر معیار دیگری برای پیش‌بینی موفقیت است.

جوشی خاطرنشان کرد: عوامل خطر مانند سن، سابقه سلامتی، اینکه آیا فرد سیگار می‌کشد یا غیره، به‌طور متغیری پیامدهای درمان خاصی را پیش‌بینی می‌کنند، اما این موارد «بسیار خام» هستند. Valar ادعا می‌کند که مدل‌های هوش مصنوعی آنها از همه آن متغیرها بهتر عمل می‌کنند [in predictive power]و مستقل از آنها هستند” – به این معنی که می توان آنها را علاوه بر عامل خطر استاندارد، نه فقط به جای آنها، استفاده کرد.

آنها همچنین خاطرنشان کردند که حفظ نتایج قابل تفسیر بسیار مهم بوده است: آخرین چیزی که پزشکان یا بیماران به آن نیاز دارند یک جعبه سیاه است. بنابراین اگر بگوید که یک بیمار به خوبی پاسخ می‌دهد، این امر توسط “چون سیستم ایمنی بدن آنها A را انجام می‌دهد و هسته‌های آنها B و غیره را انجام می‌دهند.”

این شرکت که در سال 2021 تأسیس شد، بیشتر تلاش خود را صرف ساختن مدل تصویر و اولین مدل بالینی خود برای درمان BCG فوق الذکر در بیماران مبتلا به سرطان مثانه کرده است. همانطور که والار در اطلاعیه اخیر خود اشاره کرد، این آزمایش افرادی را شناسایی می کند که سه برابر خطر طبیعی پاسخ ندادن به BCG را دارند، به این معنی که (به صلاحدید تیم مراقبت) احتمالاً حرکت بهتری است که چیز دیگری را امتحان کنید. اگر این کار حتی یک ماه تلاش بیهوده را نجات دهد، ممکن است برای برخی زندگی را تغییر دهد.

همانطور که هر کسی که تحت مراقبت از سرطان زندگی کرده است می تواند به شما بگوید، نه تنها هر روز درمان فوق العاده ارزشمند است، بلکه به سختی می توان اعتماد به نفس را بدست آورد. Valar ممکن است قطعیت ارائه نکند (تقریباً غیرممکن در سرطان شناسی)، اما می تواند یک تیر قدرتمند در کتک های مراقبان باشد.

همزمان با عرضه قریب الوقوع اولین محصول خود، Valar یک دور سری A 22 میلیون دلاری به رهبری DCVC و Andreessen Horowitz با شرکت Pear VC بسته است.

جوشی گفت: «جمع آوری کمک مالی کاملاً زمان بندی شده بود. ما توانستیم این اعتبار سنجی را تکمیل کنیم و اکنون این بودجه به تجاری سازی وستا کمک می کند، و همزمان شروع به گسترش به سایر انواع سرطان می کنیم.

بنیانگذاران گفتند که امیدوارند به طور پیوسته گسترش پیدا کنند، با استفاده از یک مدل آزمایشگاهی تجاری، بسیار شبیه به آزمایش ژنومی که در سال‌های اخیر دنبال شده است. نظام سلامت.» امیدواریم این امر به آنها این امکان را می دهد که هزینه را بر عهده ارائه دهندگان بیمه بگذارند و در نهایت با اجتناب از درمان های غیر ضروری و بی اثر، هزینه مراقبت را به طور کلی کاهش دهند.