Mantis Biotech maakt 'digitale tweelingen' van mensen om het dataprobleem in de Amerikaanse geneeskunde op te lossen

Bron: TechCrunch AI

Grote taalmodellen die zijn getraind op enorme datasets, kunnen het onderzoek naar de genetica versnellen, de klinische documentatie stroomlijnen, real-time diagnostiek verbeteren, klinische besluitvorming ondersteunen, het geneesmiddelenonderzoek versnellen en zelfs synthetische gegevens genereren om experimenten te bevorderen. Echter, de belofte van deze modellen om biomedisch onderzoek te transformeren stuit vaak op een knelpunt: buiten de gestructureerde gegevens waar de gezondheidszorg op vertrouwt, hebben deze modellen moeite met randgevallen zoals zeldzame aandoeningen en ongebruikelijke situaties, waar betrouwbare en representatieve data schaars is.

Het in New York gevestigde Mantis Biotech beweert de oplossing te ontwikkelen om deze kloof in gegevensbeschikbaarheid te dichten. Het platform van het bedrijf integreert verschillende gegevensbronnen om synthetische datasets te creëren die kunnen worden gebruikt om zogenaamde “digitale tweelingen” van het menselijk lichaam te bouwen: op fysica gebaseerde, voorspellende modellen van anatomie, fysiologie en gedrag.

Het bedrijf promoot deze digitale tweelingen voor gebruik in gegevensaggregatie en -analyse. Deze digitale tweelingen kunnen worden gebruikt om nieuwe medische procedures te bestuderen en te testen, chirurgische robots te trainen en medische problemen of zelfs gedragingen te simuleren en te voorspellen. Een voorbeeld is een sportteam dat de kans kan voorspellen dat een specifieke NFL-speler een achillespeesblessure oploopt, gebaseerd op hun recente prestaties, trainingsbelasting, dieet en hoe lang ze actief zijn, legt de oprichter en CEO van Mantis, Georgia Witchel, uit in een recent interview met TechCrunch.

Het bouwen van digitale tweelingen

Om deze tweelingen te bouwen, haalt het platform van Mantis gegevens uit verschillende bronnen, zoals leerboeken, motion capture-camera's, biometrische sensoren, trainingslogboeken en medische beeldvorming. Vervolgens gebruikt het een LLM-gebaseerd systeem om de verschillende gegevensstromen te routeren, te valideren en te synthetiseren, en draait het alle informatie door een fysica-engine om hoogwaardige weergaven van die dataset te creëren, die vervolgens kan worden gebruikt om voorspellende modellen te trainen.

“We kunnen al deze verschillende gegevensbronnen nemen en ze omzetten in voorspellende modellen voor hoe mensen zullen presteren. Dus elke keer dat je wilt voorspellen hoe een mens zal presteren, is dat een zeer goede toepassing voor onze technologie,” zei Witchel. De laag van de fysica-engine is hier cruciaal, vertelde Witchel aan TechCrunch, omdat deze het platform helpt om de beschikbare informatie te verbeteren door de gegenereerde synthetische gegevens te verankeren en de fysica van de anatomie realistisch te modelleren.

Toepassingen in de biomedische sector

De mogelijkheden van Mantis’ platform zijn veelbelovend, vooral in de biomedische sector, waar toegang tot informatie over procedures of patiënten vaak moeilijk is, ongestructureerd of opgesplitst in verschillende bronnen. Bijvoorbeeld, als je handhouding moet schatten voor iemand die een vinger mist, zou dat heel moeilijk zijn, omdat er geen publiek beschikbare datasets zijn van gelabelde handposities van iemand zonder die vinger. “We kunnen die dataset heel gemakkelijk genereren, omdat we gewoon ons fysica-model nemen en zeggen: verwijder vinger X, regenereren model,” voegde ze eraan toe.

Witchel gelooft dat, omdat het platform van Mantis gaten in gegevensbronnen opvult, er potentieel is voor brede toepassing in de biomedische industrie. Dit kan vooral nuttig zijn in situaties waar actuele en betrouwbare data cruciaal is voor het verbeteren van de patiëntenzorg en het ontwikkelen van nieuwe medische technieken.

Vertaald met ChatGPT gpt-4o-mini