#ai #ML #oncotech #CV
Сегодня слегка лонгридно про оптоакустику, ML и восстановление “разряженных” медицинских изображений.
Есть такой супер перспективный метод исследования — оптоакустическая томография (или МСОТ). Если кратко, то мы генерируем последовательность лазерных импульсов на область тела, где они поглощаются по-разному, в зависимости от длины волны и типа ткани-мишени. Эти лазерные импульсы создают незначительное повышение температуры, что расширяет ткани. Эти движения генерируют акустические сигналы - каждый тип ткани производит уникальные звуковые сигналы. Например, клетка крови «звучит» очень сильно отличается от клетки кожи. Ультразвуковые детекторы на поверхности кожи регистрируют эти разные сигналы, и компьютер генерирует соответствующее трехмерное изображение.
Сейчас МСОТ особенно хорошо работает с клетками, например, агрессивной меланомы. Метод может позволить хирургам точно проверить во время резекции опухоли, действительно ли были удалены все раковые клетки.
Там очень, естественно, очень много тонкостей. Типа раположения и плотности датчиков, грамотной конфигурации и т.д. Но основная проблема метода — просто нужно дофига датчиков, что делает каждое исследование стоимостью как крыло от боинга.
И вот на помощь приходит ML и наш любимый ETH🇨🇭. Команда под руководством Даниэля Разански, профессора биомедицинской визуализации в ETH Zurich и Цюрихском университете, искала способ улучшить качество изображения недорогих оптоакустических устройств, которые имеют только небольшое количество ультразвуковых датчиков. Для этого они начали с использования разработанного оптоакустического сканера высокого класса, имеющего 512 датчиков, который получал картинку нужного качества. Эти фотографии были проанализированы с помощью нейоронки. Если последовательно сокращать количество датчиков, то изображение обрастает артефактами, искажениями и всякими мерзкими белыми полосами. После обучения сверточной нейронки исследователи отказались от большинства датчиков, так что осталось только 128 или 32 датчика. Сеть отлично “дорисовывает” и восстанавливает изображение даже на 32х датчиках.
Конфиг сети вполне применим к другим задача восстановления медицинских изображений, где требуется высокое разрешение картинки. Детальное описание в свежем Nature, там же и ссылки на обучающие датасеты
https://www.nature.com/articles/s42256-019-0095-3
Сегодня слегка лонгридно про оптоакустику, ML и восстановление “разряженных” медицинских изображений.
Есть такой супер перспективный метод исследования — оптоакустическая томография (или МСОТ). Если кратко, то мы генерируем последовательность лазерных импульсов на область тела, где они поглощаются по-разному, в зависимости от длины волны и типа ткани-мишени. Эти лазерные импульсы создают незначительное повышение температуры, что расширяет ткани. Эти движения генерируют акустические сигналы - каждый тип ткани производит уникальные звуковые сигналы. Например, клетка крови «звучит» очень сильно отличается от клетки кожи. Ультразвуковые детекторы на поверхности кожи регистрируют эти разные сигналы, и компьютер генерирует соответствующее трехмерное изображение.
Сейчас МСОТ особенно хорошо работает с клетками, например, агрессивной меланомы. Метод может позволить хирургам точно проверить во время резекции опухоли, действительно ли были удалены все раковые клетки.
Там очень, естественно, очень много тонкостей. Типа раположения и плотности датчиков, грамотной конфигурации и т.д. Но основная проблема метода — просто нужно дофига датчиков, что делает каждое исследование стоимостью как крыло от боинга.
И вот на помощь приходит ML и наш любимый ETH🇨🇭. Команда под руководством Даниэля Разански, профессора биомедицинской визуализации в ETH Zurich и Цюрихском университете, искала способ улучшить качество изображения недорогих оптоакустических устройств, которые имеют только небольшое количество ультразвуковых датчиков. Для этого они начали с использования разработанного оптоакустического сканера высокого класса, имеющего 512 датчиков, который получал картинку нужного качества. Эти фотографии были проанализированы с помощью нейоронки. Если последовательно сокращать количество датчиков, то изображение обрастает артефактами, искажениями и всякими мерзкими белыми полосами. После обучения сверточной нейронки исследователи отказались от большинства датчиков, так что осталось только 128 или 32 датчика. Сеть отлично “дорисовывает” и восстанавливает изображение даже на 32х датчиках.
Конфиг сети вполне применим к другим задача восстановления медицинских изображений, где требуется высокое разрешение картинки. Детальное описание в свежем Nature, там же и ссылки на обучающие датасеты
https://www.nature.com/articles/s42256-019-0095-3
Nature
Deep learning optoacoustic tomography with sparse data
Nature Machine Intelligence - Optoacoustic imaging can achieve high spatial and temporal resolution but image quality is often compromised by suboptimal data acquisition. A new method employing...
#ai #CV
В майском Lancet Digit вышло красивое — AI на основе DP очень-очень хорошо определяет расу пациента по рентгену/кт грудной клетки (а еще позвоночника и маммографии). Момент для современной повестки, надо сказать, очень тонкий 🙃
В статье Джуди Гичоя (Judy Gichoya) и ее коллег авторы обнаружили, что что стандартные модели глубокого обучения AI могут быть обучены прогнозировать расу на основе медицинских изображений, которая была проверена на проверенных дата-сетах (MIMIC-CXR, CheXpert, National Lung Cancer Screening Trial и тд). Результаты очень мощные - модель решает задачу классификации по расе (Black, White, Asian) по кт/рентгену с точностью (AUC) 0,91–0,99, по маммографии — 0,81. При этом классификация не связана ни с одним из предполагаемых факторов, по которым пытались решить задачу "живые" врачи — индекс массы тела, плотность костей или груди. Команда также обнаружила, что модель может точно идентифицировать расу даже по искаженным, обрезанным и зашумленным медицинским изображениям и их частям.
Сложно представить клинический смысл применения такой модели, все же пока не запрещено врачу определять расу пациента визуально (по крайней мере пока что), но с точки зрения медицины и data science исследование очень интересное
📎 фулл статьи ниже
В майском Lancet Digit вышло красивое — AI на основе DP очень-очень хорошо определяет расу пациента по рентгену/кт грудной клетки (а еще позвоночника и маммографии). Момент для современной повестки, надо сказать, очень тонкий 🙃
В статье Джуди Гичоя (Judy Gichoya) и ее коллег авторы обнаружили, что что стандартные модели глубокого обучения AI могут быть обучены прогнозировать расу на основе медицинских изображений, которая была проверена на проверенных дата-сетах (MIMIC-CXR, CheXpert, National Lung Cancer Screening Trial и тд). Результаты очень мощные - модель решает задачу классификации по расе (Black, White, Asian) по кт/рентгену с точностью (AUC) 0,91–0,99, по маммографии — 0,81. При этом классификация не связана ни с одним из предполагаемых факторов, по которым пытались решить задачу "живые" врачи — индекс массы тела, плотность костей или груди. Команда также обнаружила, что модель может точно идентифицировать расу даже по искаженным, обрезанным и зашумленным медицинским изображениям и их частям.
Сложно представить клинический смысл применения такой модели, все же пока не запрещено врачу определять расу пациента визуально (по крайней мере пока что), но с точки зрения медицины и data science исследование очень интересное
📎 фулл статьи ниже
👍10😁3❤2🤔2
#ai #pharma
Сегодня поговорим про один из самых громких стартапов последних лет в области био-мед-хим-тека Insilico. Особенно в свете новостей о закрытии раунда D на $95M, где лид-инветором стал Prosperity7 — фонд нефтяной гос-компании Саудовской Аравии Aramco.
Компанию создал Александр Жаворонков в 2014 для исследования возможностей применения AI в фарме для радикального сокращения времени разработки новых молекул. Если кратко, то Insilico пытаются использовать DL для анализа механизма болезни, потом разделить этим механизмы на конкретные мишени и затем спроектировать молекулы, которые точечно действуют на эти цели — Insilico соединяет AI, биологию и химию. За первую задачу отвечает AI-движок, который в компании называется PandaOmics, второй — Chemistry42.
Главный кейс, про который компания очень красиво рассказывает, это фиброз почек. С помощью PandaOmics была обнаружена новая мишень, которая ранее не находилась классическими методами исследований. После этого Chemistry42 создала абсолютно молекулу для нейтрализации мишени и Insilico вывели все на стадию Preclinical Candidate.
Стадия поиска мишени заняла всего 6 месяцев и стоила $600k. Стадия проектирования молекулы стоила $1.8M и заняла 11 месяцев. Тем самым с 0 до PCC-стадии молекула прошла за 18 месяцев и $2.6М. Для сравнения в видео приводятся данные, что в “классическом” фарм-рисерч процессе они бы потратили сотни миллионов и от 5 лет, чтобы дойти до той же стадии молекулы.
Хэд офис компании находится в Гонконге, видимо, как предполагает techcrunch, чтобы быть поближе к мировому центру CRO
Звучит все очень красиво, но насколько это реально повторяемый процесс, а не единичный кейс с фиброзом покажет только время
Сегодня поговорим про один из самых громких стартапов последних лет в области био-мед-хим-тека Insilico. Особенно в свете новостей о закрытии раунда D на $95M, где лид-инветором стал Prosperity7 — фонд нефтяной гос-компании Саудовской Аравии Aramco.
Компанию создал Александр Жаворонков в 2014 для исследования возможностей применения AI в фарме для радикального сокращения времени разработки новых молекул. Если кратко, то Insilico пытаются использовать DL для анализа механизма болезни, потом разделить этим механизмы на конкретные мишени и затем спроектировать молекулы, которые точечно действуют на эти цели — Insilico соединяет AI, биологию и химию. За первую задачу отвечает AI-движок, который в компании называется PandaOmics, второй — Chemistry42.
Главный кейс, про который компания очень красиво рассказывает, это фиброз почек. С помощью PandaOmics была обнаружена новая мишень, которая ранее не находилась классическими методами исследований. После этого Chemistry42 создала абсолютно молекулу для нейтрализации мишени и Insilico вывели все на стадию Preclinical Candidate.
Стадия поиска мишени заняла всего 6 месяцев и стоила $600k. Стадия проектирования молекулы стоила $1.8M и заняла 11 месяцев. Тем самым с 0 до PCC-стадии молекула прошла за 18 месяцев и $2.6М. Для сравнения в видео приводятся данные, что в “классическом” фарм-рисерч процессе они бы потратили сотни миллионов и от 5 лет, чтобы дойти до той же стадии молекулы.
Хэд офис компании находится в Гонконге, видимо, как предполагает techcrunch, чтобы быть поближе к мировому центру CRO
Звучит все очень красиво, но насколько это реально повторяемый процесс, а не единичный кейс с фиброзом покажет только время
TechCrunch
Aramco's Prosperity7 powers AI drug firm Insilico's $95M round
AI drug discovery relies on massive investment in so-called contract research organizations, which provide support to pharmaceutical or medical device companies
👍3
#ai #oncotech #CV
В lancet digital вышел системный обзор алгоритмов AI для скрининга меланомы на тему применения в учреждениях первичной помощи. Основная мысль — работ на тему AI в меланоме как добра за баней, а практического толку от них 0 🙂 Ну детальнее тут
Тема для меня крайне интересная и за областью скрининга раков кожи с помощью алгоритмов CV я слежу уже давно. Здесь на мой взгляд одна из самых понятных схем применения AI для радикального улучшения ситуации. Ведь с меланомой во-первых прогноз в значительной степени зависит от и стадии заболевания на момент постановки диагноза. А во-вторых — это наружная локализация (нуууу в большинстве случаев), а значит что теоретически можно построить очень широкую систему скрининга от первичного звена медицинской помощи до каких-то публичных мест, типа массажных салонов и тд.
В lancet digital вышел системный обзор алгоритмов AI для скрининга меланомы на тему применения в учреждениях первичной помощи. Основная мысль — работ на тему AI в меланоме как добра за баней, а практического толку от них 0 🙂 Ну детальнее тут
Тема для меня крайне интересная и за областью скрининга раков кожи с помощью алгоритмов CV я слежу уже давно. Здесь на мой взгляд одна из самых понятных схем применения AI для радикального улучшения ситуации. Ведь с меланомой во-первых прогноз в значительной степени зависит от и стадии заболевания на момент постановки диагноза. А во-вторых — это наружная локализация (нуууу в большинстве случаев), а значит что теоретически можно построить очень широкую систему скрининга от первичного звена медицинской помощи до каких-то публичных мест, типа массажных салонов и тд.
Medium
AI для скрининга меланомы в учреждениях первичной помощи
В Lancet digital вышел системный обзор алгоритмов AI для скрининга меланомы и других видов рака кожи.
👍6
#ai #gynecology #IVF
🌱 Про ЭКО и 2 новости, которые могут повлиять на эффективность и этичность репродуктивных технологий в ближайшее время.
1
В послдеднем The Lancet Digital Health вышла статья от Weill Cornell Medicine. Ученые разработали алгоритм, который может улучшить выбор эмбрионов для ЭКО —STORK-A неинвазивно идентифициет эмбрионы при ЭКО с анеуплоидией или аномальным числом хромосом с точностью около 70 процентов.
Анеуплоидия является одним из основных фактором, влияющим на эффективность ЭКО. Текущие методы обнаружения этого состояния включают генетическое тестирование и биопсию образцов клеток эмбриона (PGT-A), что является инвазивным и дорогостоящим методом.
AI-алгоритм использует микроскопические изображения эмбрионов, экспертную оценку качества эмбрионов персоналом клиники, возраст матери и другую информацию, которая обычно собирается в рамках процесса ЭКО.
Исследователи обнаружили, что инструмент был точен на 77,6% в прогнозировании анеуплоидии с участием более чем одной хромосомы — комплексной анеуплоидии — по сравнению с эуплоидией.
Дальше по задумке авторов на отобранных эмбрионах будет проводится PGT-A тест, чтобы верифицировать окончательно выбор эмбриона.
2
В JAMA Network опубликовали работу на тему оптимизации количества эмбрионов при ЭКО с помощью AI технологий — модель рассчитывает сколько ооцитов должно подвергаться воздействию спермы при ЭКО, чтобы свести к минимуму количество неиспользованных эмбрионов.
ЭКО обычно включает четыре основных этапа: индукция суперовуляции (стимуляция созревания нескольких яйцеклеток), извлечение яйцеклетки, эмбриологический — оплодотворение яйцеклетки и имплантация эмбриона. Во время этого процесса эмбриологи должны выбрать, какие эмбрионы имплантировать. Эмбрионы, которые считаются подходящими для ЭКО, криоконсервируются как “запасные” а так же остаются лишние эмбрионы, которые уничтожаются.
Задача исследования — разработать интрумент прогноза и минимизировать создание избыточных эмбрионов.
AI-алгоритм использовал данные от 311 237 пациентов ЭКО. Cредний возраст в начале цикла стимуляции составлял 35 лет, а среднее количество извлеченных ооцитов — 10. Исследование показывает, что вероятность того, что все ооциты будут подвергаться воздействию спермы, сильно увеличивается с возрастом пациента: 20% — моложе 32 лет и 99% старше 42 лет.
По итогу исследования был разработан инструмент прогнозирования (учитывает большое количество данных о пациенте) , чтобы помочь клиницистам определить оптимальное количество ооцитов для воздействия спермы и сократить количество созданных неиспользованных эмбрионов
🌱 Про ЭКО и 2 новости, которые могут повлиять на эффективность и этичность репродуктивных технологий в ближайшее время.
1
В послдеднем The Lancet Digital Health вышла статья от Weill Cornell Medicine. Ученые разработали алгоритм, который может улучшить выбор эмбрионов для ЭКО —STORK-A неинвазивно идентифициет эмбрионы при ЭКО с анеуплоидией или аномальным числом хромосом с точностью около 70 процентов.
Анеуплоидия является одним из основных фактором, влияющим на эффективность ЭКО. Текущие методы обнаружения этого состояния включают генетическое тестирование и биопсию образцов клеток эмбриона (PGT-A), что является инвазивным и дорогостоящим методом.
AI-алгоритм использует микроскопические изображения эмбрионов, экспертную оценку качества эмбрионов персоналом клиники, возраст матери и другую информацию, которая обычно собирается в рамках процесса ЭКО.
Исследователи обнаружили, что инструмент был точен на 77,6% в прогнозировании анеуплоидии с участием более чем одной хромосомы — комплексной анеуплоидии — по сравнению с эуплоидией.
Дальше по задумке авторов на отобранных эмбрионах будет проводится PGT-A тест, чтобы верифицировать окончательно выбор эмбриона.
2
В JAMA Network опубликовали работу на тему оптимизации количества эмбрионов при ЭКО с помощью AI технологий — модель рассчитывает сколько ооцитов должно подвергаться воздействию спермы при ЭКО, чтобы свести к минимуму количество неиспользованных эмбрионов.
ЭКО обычно включает четыре основных этапа: индукция суперовуляции (стимуляция созревания нескольких яйцеклеток), извлечение яйцеклетки, эмбриологический — оплодотворение яйцеклетки и имплантация эмбриона. Во время этого процесса эмбриологи должны выбрать, какие эмбрионы имплантировать. Эмбрионы, которые считаются подходящими для ЭКО, криоконсервируются как “запасные” а так же остаются лишние эмбрионы, которые уничтожаются.
Задача исследования — разработать интрумент прогноза и минимизировать создание избыточных эмбрионов.
AI-алгоритм использовал данные от 311 237 пациентов ЭКО. Cредний возраст в начале цикла стимуляции составлял 35 лет, а среднее количество извлеченных ооцитов — 10. Исследование показывает, что вероятность того, что все ооциты будут подвергаться воздействию спермы, сильно увеличивается с возрастом пациента: 20% — моложе 32 лет и 99% старше 42 лет.
По итогу исследования был разработан инструмент прогнозирования (учитывает большое количество данных о пациенте) , чтобы помочь клиницистам определить оптимальное количество ооцитов для воздействия спермы и сократить количество созданных неиспользованных эмбрионов
Jamanetwork
Optimal Number of Oocytes to Attempt to Fertilize During Assisted Reproductive Technology Treatment
This diagnostic study estimates the optimal number of oocytes to attempt to fertilize during assisted reproductive technology treatment.
👍7🔥2❤1
#ai #cv #startup #ophthalmology
👁 Офтальмология и ИИ
Altris AI — украинский стартап в области digital ophthalmology c HQ в США. С 2017 года компания разрабатывает платформу для офтальмологов. Платформа — классический CV для работы с медицинскими изображениями, в основном когерентной томографии (ОКТ)
В мире в моменте более 1 миллиарда человек с предотвратимыми состояниями слепоты, такими как глаукома, поздняя стадия макулодистрофии и другие. И огромная проблема — это нехватка оптометристов: по оценкам Всемирного экономического форума, имеется всего 331 000 доступных специалистов из 14М необходимых на данный момент.
AI может выявлять, локализовать и количественно определять патологии и патологические признаки практически при всех заболеваниях желтого пятна и сетчатки.
SaaS AI платформа Altris, обученная на 5 млн верифицированных ОКТ, уже обнаруживает и интерпретирует около 50 патологий и патологических признаков. К таковым относятся глаукома, хориоидальный невус, макулодистрофии и другие.
Платформа используется более чем в 30 клиниках по всему миру. У Altris также есть мобильное приложение с более чем 11 тысяч активных пользователей среди офтальмологов и оптометристов.
Интересно, что стартап в конце декабря поднял раунд в $1М, где лидирующим фондом вытупил Runa Capital
👁 Офтальмология и ИИ
Altris AI — украинский стартап в области digital ophthalmology c HQ в США. С 2017 года компания разрабатывает платформу для офтальмологов. Платформа — классический CV для работы с медицинскими изображениями, в основном когерентной томографии (ОКТ)
В мире в моменте более 1 миллиарда человек с предотвратимыми состояниями слепоты, такими как глаукома, поздняя стадия макулодистрофии и другие. И огромная проблема — это нехватка оптометристов: по оценкам Всемирного экономического форума, имеется всего 331 000 доступных специалистов из 14М необходимых на данный момент.
AI может выявлять, локализовать и количественно определять патологии и патологические признаки практически при всех заболеваниях желтого пятна и сетчатки.
SaaS AI платформа Altris, обученная на 5 млн верифицированных ОКТ, уже обнаруживает и интерпретирует около 50 патологий и патологических признаков. К таковым относятся глаукома, хориоидальный невус, макулодистрофии и другие.
Платформа используется более чем в 30 клиниках по всему миру. У Altris также есть мобильное приложение с более чем 11 тысяч активных пользователей среди офтальмологов и оптометристов.
Интересно, что стартап в конце декабря поднял раунд в $1М, где лидирующим фондом вытупил Runa Capital
altris
AI Ophthalmology and Optometry | Altris AI
AI Ophthalmology and Optometry: AI Decision Support for OCT Analysis that elevates clinical practice and reserach.
👍6❤2👏2🔥1💩1
Мои любимые темы #oncotech и #ai слились воедино и выдали новость, что DeepGlioma AI классифицирует опухоли головного мозга в течение 90 секунд, и с точностью 93% - говорится в исследовании, опубликованном в Nature Medicine.
Хирургия диффузионных глиом (порядка 60% всех опухолей головного мозга) — достаточно опасная и сложная история.
Чтобы понять сложность, объем и необходимость хирургии применяется молекулярный анализ опухоли. Это сложный тест, выполнение которого порой занимает в лучшем случае недели.
В Мичиганском университете разработали алгоритм DeepGlioma который проводит молекулярную типизацию опухоли за менее чем 2 минуты, что даст врачам больше шансов определить методы лечения и прогнозировать пациента.
Метод состоит из использования DeepGlioma - deep neural network для анализа изображений от stimulated Raman histology (SRH), который типизирует опухоль по последней классификации WHO 2021 года. Изображения SRH создаются с использованием стимулированной рамановской микроскопии рассеяния (SRS). За считанные секунды эти изображения предоставляют гистологическую информацию в режиме реального времени о биопсированных тканях в операционной.
Метод был применен к 153 пациентам с диффузными глиомами.
Система смогла правильно классифицировать опухоли по назначенным ВОЗ подгруппам со средней точностью 93,3% - менее чем за 90 секунд каждая прямо во время проведения операции.
Результаты исследования показывают, что мы все ближе к супер точным, быстрым и технологичным способам диагностики. Дело за малым, вытащить median survival time выше 18 месяцев, что сейчас актуально для диффузионных глиом.
Хирургия диффузионных глиом (порядка 60% всех опухолей головного мозга) — достаточно опасная и сложная история.
Чтобы понять сложность, объем и необходимость хирургии применяется молекулярный анализ опухоли. Это сложный тест, выполнение которого порой занимает в лучшем случае недели.
В Мичиганском университете разработали алгоритм DeepGlioma который проводит молекулярную типизацию опухоли за менее чем 2 минуты, что даст врачам больше шансов определить методы лечения и прогнозировать пациента.
Метод состоит из использования DeepGlioma - deep neural network для анализа изображений от stimulated Raman histology (SRH), который типизирует опухоль по последней классификации WHO 2021 года. Изображения SRH создаются с использованием стимулированной рамановской микроскопии рассеяния (SRS). За считанные секунды эти изображения предоставляют гистологическую информацию в режиме реального времени о биопсированных тканях в операционной.
Метод был применен к 153 пациентам с диффузными глиомами.
Система смогла правильно классифицировать опухоли по назначенным ВОЗ подгруппам со средней точностью 93,3% - менее чем за 90 секунд каждая прямо во время проведения операции.
Результаты исследования показывают, что мы все ближе к супер точным, быстрым и технологичным способам диагностики. Дело за малым, вытащить median survival time выше 18 месяцев, что сейчас актуально для диффузионных глиом.
Nature
Artificial-intelligence-based molecular classification of diffuse gliomas using rapid, label-free optical imaging
Nature Medicine - DeepGlioma, a multimodal deep learning approach for intraoperative diagnostic screening of diffuse glioma, trained on stimulated Raman histology and large-scale public genomic...
🔥12❤1🤩1
#vc #market #medtech #ai
Вы думали я исчез просто так? А я вообще то был в депрессии. В депрессии от того, что по данным последних отчетов RockHealth венчурный рынок med и healthtech дропнулся почти в 2 раза. При чем падение идет по всем ключевым показателям - количество сделок, размеры чеков, количество участников раундов.
За H1 2023 года компании в США привлекли $6,1B внутри 244 сделок, при этом средний размер сделки составил $24,8M, что сопоставимо с цифрами только лишь 2019 года. Для сравнения 2021 год закрылся на цифре почти в $30B. Так же резко снижается количество инвесторов, идущих в медтех. 555 - 1H 2023 по сравнению с 775 в 1H 2022 и 832 в 1H 2021.
В общем медтех перестает быть “новым черным”, или как там у вас говорят. Еще красивая цифра в подтвержение - 41% сделок (101 из 244) не были публичными сериями или раундами (как сейчас модно называть — unlabeled raises (или по русски как привлечь деньги ниже оценки и не спалиться), что по сути говорит что мыльный пузырик поспешно сдувается. Ну и красивое число вышедших компаний из медтеха на IPO в этом году. НОЛЬ.
Все это связывают, конечно с перегретым рынком “AI-powered (прости Господи) HealthCare”, а особенно с миллионом стартапов в области распознавания медицинских изображений и прочих помощников врача, что в 2023 году звучит уже как моветон. Хотя переодически мне пишут очередные ребята, которые решили изобрести распознавание родинок по фото (хоть бы почитали канал, когда я об этом писал в 2017 году)
p.s. про депрессию и тд конечно шутка, просто в последнее время пришлось с новым проектом переехать в ОАЭ и работать по 24 часа в сутки
Вы думали я исчез просто так? А я вообще то был в депрессии. В депрессии от того, что по данным последних отчетов RockHealth венчурный рынок med и healthtech дропнулся почти в 2 раза. При чем падение идет по всем ключевым показателям - количество сделок, размеры чеков, количество участников раундов.
За H1 2023 года компании в США привлекли $6,1B внутри 244 сделок, при этом средний размер сделки составил $24,8M, что сопоставимо с цифрами только лишь 2019 года. Для сравнения 2021 год закрылся на цифре почти в $30B. Так же резко снижается количество инвесторов, идущих в медтех. 555 - 1H 2023 по сравнению с 775 в 1H 2022 и 832 в 1H 2021.
В общем медтех перестает быть “новым черным”, или как там у вас говорят. Еще красивая цифра в подтвержение - 41% сделок (101 из 244) не были публичными сериями или раундами (как сейчас модно называть — unlabeled raises (или по русски как привлечь деньги ниже оценки и не спалиться), что по сути говорит что мыльный пузырик поспешно сдувается. Ну и красивое число вышедших компаний из медтеха на IPO в этом году. НОЛЬ.
Все это связывают, конечно с перегретым рынком “AI-powered (прости Господи) HealthCare”, а особенно с миллионом стартапов в области распознавания медицинских изображений и прочих помощников врача, что в 2023 году звучит уже как моветон. Хотя переодически мне пишут очередные ребята, которые решили изобрести распознавание родинок по фото (хоть бы почитали канал, когда я об этом писал в 2017 году)
p.s. про депрессию и тд конечно шутка, просто в последнее время пришлось с новым проектом переехать в ОАЭ и работать по 24 часа в сутки
👍8❤3🔥2
Сегодня выходные, а значит самое время для лонгрида. Давате про применение ИИ в поиске офф-лейбл (кто далек от фармы - использование препарата вне одобренных показаний) для орфанки.
7го мая в Амстердаме пройдет конференция Medicines Reimagined:Unlocking the Potential of Existing Drugs for Patient Benefit посвещенная способам и машинным алгоритмам поиска нестандатрного применения существующих молекул и их комбинаций в терапии. Тема очень набирающаяя обороты и супер перспективная, особенно внутри орфанных заболеваний. Но давайте начнем санчала.
В NYT вышла классная статья про историю Джозефа Коатеса. В 2024 году 36-летнему пациенту сообщили, что единственный медицинский выбор который перед ним стоит, это где умереть — дома или в хосписе. У него диагностировали POEMS-синдром, из-за которого отказали конечности, увеличилось сердце и нарушилась работа почек. Трансплантация костного мозга могла помочь, но он был слишком слаб.
Его девушка обратилась к ученому Файгенбауму, который с помощью ИИ платформы подобрал нестандартную терапию: химиотерапию, иммунотерапию и стероиды. Лечащий врач сначала счел идею безумной, но альтернатив не было. Уже через неделю состояние пациента улучшилось, а через четыре месяца он прошел трансплантацию. Сейчас пациент в полной ремиссии.
Думаю фамилию Файгенбаум вы узнали. Да, это автор нон-фикшн бестсейллера 2019 года "В погоде за жизнью" (кто не читал - настоятельно рекомендую, хоть сам терпеть не могу такой жанр). Книга рассказывает историю Дэвида Файгенбаума — врача, который в 25 лет столкнулся с болезнью Кастлемана и начал сам занялся поиском альтернативных способов лечения, т.к. стандартная терапия не помогала.
Идея была простая - у меня нет ярда на RnD, поэтому мы просто возьмем существующие молекулы и начнем искать офф-лейб и пытаться их комбинировать между собой. Да и не просто искать, а будет искать "нужные" нам побочки в существующих перпаратах. Так он нашел сиролимус, иммунодепрессант который не задумывался и никогда не использовался для лечения болезни Кастлемана. Чаще всего его назначают пациентам после пересадки почки, чтобы избежать отторжения. И это сработало.
Ну а дальше понятно — давайте загонем это все в ИИ и сопоставим десятки тысяч инструкций преператов, результатов КИ, открытых данных по нежелательным явлениям и тд. Так и возник Every Cure в 2022году, созданный как раз Файгенбаумом.
В 2024 году организация получила 5-летний грант $60M через проект The Audacious Project, что позволило расширить исследования и ускорить проведение клинических испытаний. Кроме того, Every Cure заключила контракт на 48,3 миллиона долларов с ARPA-H для разработки платформы на основе ИИ.
И это быстро дало первые результаты — модель предложила лечить пациента с болезнью Кастлемана адалимумабом — препаратом, обычно применяемым при аутоиммунных заболеваниях. Несмотря на скептицизм врачей, после неудачи стандартных методов они попробовали этот подход, и через несколько недель пациент достиг ремиссии.
Также в эту сторону копает REMEDi4ALL — НКО от ЕС, которые также использует ИИ для анализа данных и выявления новых возможностей применения существующих молекул.
REMEDi4ALL активно работала над COVID-19, сосредотачиваясь на повторном использовании уже одобренных лекарств для лечения этого заболевания. В результате были выявлены несколько перспективных кандидатов для лечения COVID-19. Эти препараты были рекомендованы для дальнейших клинических испытаний.
Ну а пару дней назад консорциум опубликовал обзор в Nature Reviews Drug Discovery, посвященный применению вычислительных методов для оптимизации программ по оффлейблу. В исследовании проанализированы популярные цифровые инструменты для поиска новых применений уже одобренных препаратов, проведена их экспертная оценка и создан открытый онлайн-каталог лучших ресурсов.
#pharma #AI
7го мая в Амстердаме пройдет конференция Medicines Reimagined:Unlocking the Potential of Existing Drugs for Patient Benefit посвещенная способам и машинным алгоритмам поиска нестандатрного применения существующих молекул и их комбинаций в терапии. Тема очень набирающаяя обороты и супер перспективная, особенно внутри орфанных заболеваний. Но давайте начнем санчала.
В NYT вышла классная статья про историю Джозефа Коатеса. В 2024 году 36-летнему пациенту сообщили, что единственный медицинский выбор который перед ним стоит, это где умереть — дома или в хосписе. У него диагностировали POEMS-синдром, из-за которого отказали конечности, увеличилось сердце и нарушилась работа почек. Трансплантация костного мозга могла помочь, но он был слишком слаб.
Его девушка обратилась к ученому Файгенбауму, который с помощью ИИ платформы подобрал нестандартную терапию: химиотерапию, иммунотерапию и стероиды. Лечащий врач сначала счел идею безумной, но альтернатив не было. Уже через неделю состояние пациента улучшилось, а через четыре месяца он прошел трансплантацию. Сейчас пациент в полной ремиссии.
Думаю фамилию Файгенбаум вы узнали. Да, это автор нон-фикшн бестсейллера 2019 года "В погоде за жизнью" (кто не читал - настоятельно рекомендую, хоть сам терпеть не могу такой жанр). Книга рассказывает историю Дэвида Файгенбаума — врача, который в 25 лет столкнулся с болезнью Кастлемана и начал сам занялся поиском альтернативных способов лечения, т.к. стандартная терапия не помогала.
Идея была простая - у меня нет ярда на RnD, поэтому мы просто возьмем существующие молекулы и начнем искать офф-лейб и пытаться их комбинировать между собой. Да и не просто искать, а будет искать "нужные" нам побочки в существующих перпаратах. Так он нашел сиролимус, иммунодепрессант который не задумывался и никогда не использовался для лечения болезни Кастлемана. Чаще всего его назначают пациентам после пересадки почки, чтобы избежать отторжения. И это сработало.
Ну а дальше понятно — давайте загонем это все в ИИ и сопоставим десятки тысяч инструкций преператов, результатов КИ, открытых данных по нежелательным явлениям и тд. Так и возник Every Cure в 2022году, созданный как раз Файгенбаумом.
В 2024 году организация получила 5-летний грант $60M через проект The Audacious Project, что позволило расширить исследования и ускорить проведение клинических испытаний. Кроме того, Every Cure заключила контракт на 48,3 миллиона долларов с ARPA-H для разработки платформы на основе ИИ.
И это быстро дало первые результаты — модель предложила лечить пациента с болезнью Кастлемана адалимумабом — препаратом, обычно применяемым при аутоиммунных заболеваниях. Несмотря на скептицизм врачей, после неудачи стандартных методов они попробовали этот подход, и через несколько недель пациент достиг ремиссии.
Также в эту сторону копает REMEDi4ALL — НКО от ЕС, которые также использует ИИ для анализа данных и выявления новых возможностей применения существующих молекул.
REMEDi4ALL активно работала над COVID-19, сосредотачиваясь на повторном использовании уже одобренных лекарств для лечения этого заболевания. В результате были выявлены несколько перспективных кандидатов для лечения COVID-19. Эти препараты были рекомендованы для дальнейших клинических испытаний.
Ну а пару дней назад консорциум опубликовал обзор в Nature Reviews Drug Discovery, посвященный применению вычислительных методов для оптимизации программ по оффлейблу. В исследовании проанализированы популярные цифровые инструменты для поиска новых применений уже одобренных препаратов, проведена их экспертная оценка и создан открытый онлайн-каталог лучших ресурсов.
#pharma #AI
REMEDi4ALL
Join iDR25, the international drug repurposing conference
Join #iDR25, the second international drug repurposing conference organised by REMEDi4ALL and Beacon in The Netherlands.
❤🔥13⚡1