Postdoctoral Researcher in Multimodal Reasoning Models for Oncology — ETH Zürich

Vollständige Beschreibung

Postdoktorand in multimodalen Argumentationsmodellen für die Onkologie 100%, Basel, befristet Druck Druckerzeugnisse Wir suchen einen außergewöhnlichen und hochmotivierten Postdoktoranden, der die Forschung zu multimodalen Argumentationsmodellen für die Onkologie leitet. Das Projekt konzentriert sich auf die Entwicklung, Nachschulung und Bewertung flexibler KI-Modelle, die komplexe onkologische diagnostische und therapeutische Entscheidungen auf sichere, transparente und klinisch fundierte Weise unterstützen können. Der erfolgreiche Kandidat wird an onkologieorientierten multimodalen Argumentationsmodellen arbeiten, die Sprache, Vision, biomedizinisches Wissen, klinischen Kontext und relevante Patientendaten kombinieren, um zuverlässige, überprüfbare und unsichere Ergebnisse zu erzielen. Ein Schwerpunkt der Position ist die Entwicklung von KI-basierten Argumentationsstrategien für die Onkologie, einschließlich Tool-Augmented Inference, Multi-Agenten- oder Compound-Modell-Workflows, Prozessüberwachung, Verifier-geführtes Training und Verstärkungslernen-basiertes Post-Training. Ziel ist es, Systeme zu entwickeln, die Empfehlungen rechtfertigen, unterstützende Beweise zitieren, Unsicherheit kalibrieren, angemessen aufschieben und sicher in klinisch realistischen Umgebungen arbeiten können. Diese Position ist eingebettet in eine interdisziplinäre Zusammenarbeit zwischen ETH Zürich, Kaiko.ai und klinischen Partnern, die die Möglichkeit bietet, die grundlegende KI-Forschung voranzutreiben und gleichzeitig auf eine reale Übersetzung in der Onkologie hinzuarbeiten. Stellenbeschreibung Denkmodelle für die Onkologie Entwicklung und Anpassung von onkologieorientierten Grundlagenmodellen, die in der Lage sind, über komplexe klinische Fragen nachzudenken, einschließlich Diagnose, molekularer Interpretation, Behandlungsauswahl und Längsversorgung. Dies kann Folgendes umfassen:

• Multimodale Sprachmodellarchitekturen
• Integration des klinischen Kontexts, der biomedizinischen Literatur, der Richtlinien und der multimodalen Evidenz auf Patientenebene
• Anpassung und Auswertung von öffentlichen und institutionellen onkologischen Datensätzen
• Entwicklung von unsicherem und sicherheitsbewusstem Argumentationsverhalten Reasoning Strategien, Agenten und Tool-Nutzung Entwicklung von Modell-Workflows, die externe Tools und Wissensquellen zuverlässig und überprüfbar nutzen können. Beispiele hierfür sind:
• Abruf von Literatur, klinischen Leitlinien und Studiendatenbanken
• Klinische Studie Matching und Therapie Evidenz Lookup
• Verwendung von Varianteninterpretation und molekularer Wissensbasis
• Multiagentensysteme zur Zerlegung komplexer onkologischer Aufgaben in hierarchische Kontextströme
• Zitierbasierte und rückverfolgbare Outputs, die für eine Expertenbewertung geeignet sind Prozessüberwachung und Post-Training Entwicklung von Methoden nach dem Training, die die Qualität, Zuverlässigkeit und Sicherheit des klinischen Denkens verbessern.
• Überwachung auf Prozessebene für Zwischenschritte
• Ergebnisbasierte Aufsicht mit Hilfe von Experten- oder richtlinienbasierten Signalen
• Verstärkung des Lernens für onkologiespezifisches Argumentationsverhalten
• Vergleich und Entwicklung von RL-Trainingsansätzen
• Kalibrierung, Enthaltung und sicherheitsbewusste Optimierung Klinische Bewertung und Sicherheit Bewertung von onkologischen Argumentationsmodellen in klinisch bedeutsamen Umgebungen. Zu den wichtigsten Bewertungsdimensionen gehören:
• Leitlinie Konkordanz
• Qualität des diagnostischen und therapeutischen Denkens
• Genauigkeit der molekularen Interpretation
• Zuverlässigkeit im Werkzeugeinsatz
• Zitierqualität und Evidenzgrundlage
• Kalibrierung, Unsicherheit und angemessene Verschiebung
• Rückverfolgbarkeit und Clinician-in-the-Loop-Bewertung Profil Muss haben PhD in Informatik, Machine Learning, Medical AI, Biomedizinische Informatik, Computational Biology oder einem verwandten Bereich
• Starke Programmierkenntnisse in Python und modernen ML-Frameworks
• Erfahrung mit Deep Learning und großen Sprachmodellen
• Starke Publikationsbilanz in AI / ML, medizinischer KI, Computerbiologie, biomedizinischer Informatik oder verwandten Bereichen
• Fähigkeit, in hoch interdisziplinären Forschungsumgebungen zu arbeiten Bevorzugt
• Erfahrung mit Stiftungsmodellen, multimodalen Modellen oder biomedizinischen / klinischen Sprachmodellen
• Erfahrung