Postdoctoral Researcher in Multimodal Reasoning Models for Oncology — ETH Zürich

Descrizione completa

Ricercatore post-dottorato in modelli di ragionamento multimodale per oncologia 100%, Basilea, a tempo determinato stampa Druppo Stiamo cercando un ricercatore Postdoctoral eccezionale e altamente motivato per condurre la ricerca su modelli di ragionamento multimodale per oncologia. Il progetto si concentra sullo sviluppo, la post-formazione e la valutazione di modelli AI flessibili che possono supportare il processo decisionale diagnostico e terapeutico complesso in modo sicuro, trasparente e clinicamente fondato. Il candidato di successo lavorerà su modelli di ragionamento multimodale focalizzati su oncologia che combinano il linguaggio, la visione, la conoscenza biomedica, il contesto clinico e i dati rilevanti a livello paziente per produrre uscite affidabili, verificabili e incertezze-consapevoli. Un importante focus della posizione è lo sviluppo di strategie di ragionamento basate su AI per l'oncologia, tra cui l'inferenza aumentata degli strumenti, flussi di lavoro multi-agent o del modello composto, la supervisione del processo, la formazione orientata ai parassiti e l'apprendimento di rinforzo basato post-training. L'obiettivo è quello di costruire sistemi che possano giustificare raccomandazioni, citare prove di supporto, calibrare l'incertezza, differire adeguatamente e operare in modo sicuro in ambienti clinicamente realistici. Questa posizione è incorporata all'interno di una collaborazione altamente interdisciplinare tra ETH Zurich, Kaiko.ai e partner clinici, offrendo l'opportunità di avanzare la ricerca AI fondamentale mentre si lavora verso la traduzione nel mondo reale in oncologia. Descrizione del lavoro Modelli motivanti per Oncology Sviluppo e adattamento di modelli di fondazione focalizzati su oncologia in grado di ragionare su questioni cliniche complesse, tra cui diagnosi, interpretazione molecolare, selezione del trattamento e cura longitudinale. Questo può includere:

• Architetture modello di lingua multimodale
• Integrazione del contesto clinico, della letteratura biomedica, delle linee guida e delle prove multimodali a livello di paziente
• Adeguamento e valutazione sui dataset di oncologia pubblica e istituzionale
• Sviluppo del comportamento ragionante dell'incertezza-consapevole e della sicurezza Strategie di ragionamento, agenti e uso degli strumenti Sviluppo dei flussi di lavoro di modello che possono utilizzare strumenti esterni e fonti di conoscenza in modo affidabile e verificabile. Esempi includono:
• Recuperare dalla letteratura, dalle linee guida cliniche e dai database di prova
• Ricerca di prove cliniche di corrispondenza e terapia
• Interpretazione variabile e uso della base di conoscenza molecolare
• Sistemi multi-agenti per la decompolazione di compiti oncologici complessi in flussi di contesto gerarchici
• Produzione citazione-terraggiata e tracciabile adatto per una recensione esperta Supervisione dei processi e post-training Sviluppo di metodi post-formazione che migliorano la qualità, l'affidabilità e la sicurezza del ragionamento clinico.
• Supervisione a livello di processo per passi di ragionamento intermedio
• Supervisione basata sul reddito utilizzando segnali esperti o orientabili
• Apprendimento di rinforzo per comportamento di ragionamento specifico oncologico
• Confronto e sviluppo degli approcci di formazione RL
• Ottimizzazione di calibrazione, astensione e sicurezza Valutazione clinica e sicurezza Valutazione dei modelli di ragionamento oncologico in ambienti clinicamente significativi. Le dimensioni di valutazione chiave includono:
• concordanza lineare
• Qualità diagnostica e terapeutica del ragionamento
• Precisione di interpretazione molecolare
• affidabilità di utilizzo degli utensili
• Qualità della citazione e messa a terra delle prove
• Calibrazione, incertezza e deferral appropriato
• Tracciabilità e valutazione clinica-in-loop Profilo Devo
• PhD in Informatica, Apprendimento Automatico, AI Medico, Informatica Biomedicale, Biologia Computazionale, o un campo correlato
• Forte capacità di programmazione in Python e moderni framework ML
• Esperienza con l'apprendimento profondo e grandi modelli di lingua
• Forte record di pubblicazione in AI/ML, AI medico, biologia computazionale, informatica biomedica, o aree correlate
• Capacità di lavorare in ambienti di ricerca altamente interdisciplinari Preferito
• Esperienza con modelli di fondazione, modelli multimodali o modelli di linguaggio biomedico/clinico
• Esperienza