پلتفرم Mantis Biotech با بهره گیری از مدل های زبانی بزرگ و داده های فیزیکی، در حال توسعه دوقلوهای دیجیتال پزشکی برای شبیه سازی دقیق فیزیولوژی انسان و پیش بینی چالش های سلامتی در حوزه هایی مثل ورزش حرفه ای و درمان بیماری های نادر است.
مدل های زبانی بزرگ که روی مجموعه داده های عظیم آموزش دیدن، می تونن سرعت تحقیقات ژنومیک رو بیشتر کنن، ثبت مستندات بالینی رو ساده تر کنن، تشخیص های لحظه ای رو بهبود ببخشن، به تصمیم گیری های پزشکی کمک کنن، روند کشف دارو رو سرعت بدن و حتی برای پیشبرد آزمایش ها، داده های مصنوعی تولید کنن. این پیشرفت ها راه را برای آینده ای روشن در فناوری سلامت، به ویژه با ظهور دوقلوهای دیجیتال پزشکی، هموار می کنند.
اما این وعده که اونا می تونن تحقیقات زیست پزشکی رو متحول کنن، معمولا به یه بن بست می خوره: فراتر از داده های ساختاریافته ای که حوزه سلامت بهشون تکیه داره، این مدل ها توی موارد خاص مثل بیماری های نادر و شرایط غیرعادی که داده های قابل اعتماد و نمونه کمه، به مشکل می خورن.
دوقلوهای دیجیتال پزشکی؛ رویکرد نوآورانه Mantis Biotech
شرکت «منتیس بایوتک» (Mantis Biotech) مستقر در نیویورک، ادعا می کنه که داره راهکاری برای پر کردن این خلاء دسترسی به داده ها توسعه می ده. پلتفرم این شرکت منابع مختلف داده رو با هم ترکیب می کنه تا مجموعه داده های مصنوعی بسازه؛ داده هایی که می شه ازشون برای ساخت چیزی که بهش «دوقلوهای دیجیتال پزشکی» گفته می شود، استفاده کرد: مدل های پیش بینی کننده و مبتنی بر فیزیک از آناتومی، فیزیولوژی و رفتار.
این شرکت داره این دوقلوهای دیجیتال رو برای استفاده در تجمیع و تحلیل داده ها معرفی می کنه. این دوقلوهای دیجیتال پزشکی می تونن برای مطالعه و آزمایش روش های پزشکی جدید، آموزش ربات های جراح و شبیه سازی و پیش بینی مشکلات پزشکی یا حتی الگوهای رفتاری استفاده بشن. مثلا، «جورجیا ویچل»، بنیان گذار و مدیرعامل منتیس، در مصاحبه اخیرش با تک کرانچ توضیح داد که یه تیم ورزشی می تونه بر اساس عملکرد اخیر، فشار تمرینات، رژیم غذایی و مدت زمان فعالیت یک بازیکن خاص در عرصه NFL، احتمال آسیب دیدگی تاندون آشیل اون رو پیش بینی کنه.
ساخت و کاربردهای دوقلوهای دیجیتال پزشکی
برای ساخت این دوقلوها، پلتفرم منتیس اول داده ها رو از منابع مختلفی مثل کتاب های درسی، دوربین های ضبط حرکت، حسگرهای بیومتریک، گزارش های تمرینی و تصویربرداری های پزشکی می گیره. بعد، از یه سیستم مبتنی بر مدل های زبانی بزرگ (LLM) برای مسیریابی، اعتبارسنجی و ترکیب جریان های مختلف داده استفاده می کنه و تمام این اطلاعات رو از یه موتور فیزیک رد می کنه تا رندرهایی با دقت بالا از اون مجموعه داده بسازه که بعدا می شه برای آموزش مدل های پیش بینی کننده ازشون استفاده کرد.
ویچل گفت: «ما می تونیم همه این منابع داده مختلف رو بگیریم و اون ها رو به مدل های پیش بینی کننده برای نحوه عملکرد افراد تبدیل کنیم. بنابراین هر زمان که بخواید پیش بینی کنید یه انسان چطور عمل می کنه، تکنولوژی ما یه مورد استفاده خیلی خوب براش داره.»
ویچل به تک کرانچ گفت که لایه موتور فیزیک اینجا خیلی کلیدیه، چون با مستند کردن داده های مصنوعی تولید شده و مدل سازی واقع گرایانه فیزیک آناتومی، به پلتفرم کمک می کنه تا اطلاعات موجود رو بهبود ببخشه.
اون گفت: «اگه ازتون بخوام تخمین فیگور دست رو برای کسی که یه انگشت نداره انجام بدید، این کار خیلی خیلی سخت خواهد بود، چون هیچ مجموعه داده عمومی در دسترسی از پوزیشن های برچسب گذاری شده دستِ کسی که انگشت نداره، وجود نداره. ما می تونیم اون مجموعه داده رو خیلی خیلی راحت تولید کنیم، چون فقط مدل فیزیکمون رو برمی داریم و می گیم انگشت X رو حذف کن و مدل رو دوباره بساز.»
از اونجایی که پلتفرم منتیس شکاف های موجود در منابع داده رو پر می کنه، ویچل فکر می کنه پتانسیل این رو داره که به طور گسترده در صنعت زیست پزشکی استفاده بشه؛ جایی که دسترسی به اطلاعات مربوط به روش های درمانی یا بیماران ممکنه سخت باشه، یا داده ها بدون ساختار باشن و در منابع مختلف پراکنده شده باشن. این کاربرد دوقلوهای دیجیتال پزشکی، به ویژه در موارد خاص یا بیماری های نادر که به دست آوردن داده ها دشوار است، اهمیت فزاینده ای پیدا می کند.
اون گفت: «دیدی وقتی یه بچه سه ساله رو می بینی که داره بدو بدو می کنه و یه عروسک باربی دستشه و از پاش گرفته و داره می کوبه به لبه میز؟ من می خوام مردم نسبت به دوقلوهای دیجیتال پزشکی ما همچین ذهنیتی داشته باشن. فکر می کنم این کار باعث می شه مردم با این ایده کنار بیان که وقتی از انسان های مجازی استفاده می کنی، می شه روی انسان ها آزمایش انجام داد. حس می کنم در حال حاضر، مردم دقیقا ذهنیت برعکسی دارن که کاملا هم منطقیه، چون باید به حریم خصوصی افراد احترام گذاشته بشه. در واقع، من اصلا فکر نمی کنم که از داده های مردم باید سوءاستفاده بشه، مخصوصا وقتی این دوقلوهای دیجیتال پزشکی رو دارید.»
در حال حاضر، منتیس در ورزش های حرفه ای به موفقیت هایی رسیده، احتمالا به این دلیل که نیاز به مدل سازی ورزشکاران حرفه ای وجود داره. ویچل گفت که یکی از مشتری های اصلی این استارتاپ، یه تیم NBA هست.
اون توضیح داد: «ما این بازنمایی های دیجیتال رو از ورزشکارها می سازیم که اساسا نشون می ده این ورزشکار چطوری پریده، نه فقط امروز، بلکه برای تک تک روزهای سال گذشته؛ و نشون می ده که پرش های اون ها در طول زمان در مقایسه با میزان خوابشون یا تعداد دفعاتی که دستشون رو بالای سرشون می برن، چطور تغییر می کنه.»
این استارتاپ اخیرا 7.4 میلیون دلار در مرحله سرمایه گذاری اولیه (Seed) به رهبری Decibel VC و با مشارکت Y Combinator، چند سرمایه گذار فرشته (Angel) و Liquid 2 جمع آوری کرده. این بودجه برای استخدام، تبلیغات، بازاریابی و فعالیت های ورود به بازار استفاده خواهد شد.
ویچل گفت قدم بعدی برای منتیس، ادامه توسعه این فناوری و در نهایت عرضه پلتفرم دوقلوهای دیجیتال پزشکی به عموم مردم با هدف تمرکز بر مراقبت های بهداشتی پیشگیرانه است. این شرکت همچنین در تلاشه تا به آزمایشگاه های داروسازی و محققانی که روی آزمایش های FDA کار می کنن خدمات بده، با این هدف که دیدگاهی درباره نحوه پاسخ بیماران به درمان ها ارائه کنه.
ظهور مدل های پیش بینی کننده و تولید داده های مصنوعی توسط استارتاپ هایی مانند منتیس، گامی بزرگ در جهت شخصی سازی درمان و کاهش ریسک های پزشکی است. این فناوری با استفاده از دوقلوهای دیجیتال پزشکی، نه تنها در ورزش حرفه ای بلکه در تحقیقات دارویی و بالینی نیز مسیری ایمن تر و دقیق تر برای آینده سلامت انسان فراهم می کند.
