Înființată în Cambridge, Marea Britanie, Qureight, un laborator central de imagistică, a făcut progrese semnificative de la înființarea sa în 2018. Acesta a stabilit parteneriate semnificative cu companii farmaceutice, biotehnologice și organizații de cercetare contractuale. Tehnologia lor patentată accelerează dezvoltarea medicamentelor pentru plămân și inimă folosind imagistică și curație de date alimentate de IA pentru a optimiza punctele de testare și stratificarea pacienților. Compania are, de asemenea, o viziune mai largă de a explora boli rare și autoimune.
Damian Doherty, redactorul șef al Inside Precision Medicine, a discutat cu Simon Walsh, Directorul Științific Principal al Qureight, pentru a explora tehnologia lor AI de vârf și potențialul său transformativ. De la boli pulmonare și cardiace la aplicații mai largi, Walsh împărtășește cum Qureight își propune să revoluționeze perspectivele clinice prin crearea unei viziuni mai conectate asupra bolii, redefinind viitorul medicinei de precizie prin inovația condusă de IA.
Q: Qureight s-a impus ca lider în aplicarea învățării profunde în date clinice pentru boli pulmonare și cardiace. Puteți detalia cum tehnologia dvs. de învățare profundă merge dincolo de analizele tradiționale pentru a identifica biomarkeri noi și mai sensibili din seturi de date complexe, cum ar fi scanările tomografice computerizate (CT) și datele fiziologice?
Walsh: Analizele tradiționale de imagistică se bazează pe metrici predefinite, cum ar fi extinderea fibrozei sau pierderea volumului pulmonar. Cu toate acestea, cuantificarea fibrozei singură nu surprinde semnalul prognostic complet pe care scanarea tomografică computerizată de înaltă rezoluție (HRCT) are de oferit. Abordarea noastră folosește modele de învățare profundă antrenate pe date umane annotate pentru a extrage biomarkeri de imagistică multicompartmentală care reflectă modificările semnificative din punct de vedere prognostic în vasculatura pulmonară, arborele bronșic și parenchimul pulmonar. Acești biomarkeri sunt reproductibili, scalabili și gata pentru teste, și reflectă procese biologice pe care măsurile standard, cum ar fi capacitatea vitală forțată (FVC), le ratează adesea. Putem, de asemenea, să includem măsuri de incertitudine, permițându-ne să semnalăm zone de ambiguitate diagnostică și să îmbunătățim interpretarea pentru sponsori. În afara imaginii singure, integrăm biomarkerii noștri cu alte date omice, cum ar fi proteomica, pentru a îmbunătăți stratificarea riscului. În mod critic, folosim acești biomarkeri pentru a construi brațe de control sintetice în teste de terapie antifibrotică, permitând o potrivire mai precisă între cohorte, reducând expunerea la placebo și accelerând detectarea semnalelor – totul în concordanță cu cadrul regulamentar emergent.
Q: Cum accelerează acest lucru procesul de dezvoltare a medicamentelor pentru partenerii dvs.?
Walsh: Extracția semnalului din imagistica CT este inima modului în care optimizăm studiile clinice. Platforma noastră izolează și cuantifică efectele tratamentului în compartimentele anatomice specifice ale plămânului – parenchimul, căile respiratorii și vasculatura – în loc să se bazeze exclusiv pe metricile convenționale precum FVC. Această abordare compartimentală ne permite să identificăm terapiile
Senior Editor RevistaSanatatii.ro. Pasionat de lifespan, fan David Sinclair.
