Postdoctoral Researcher in Multimodal Reasoning Models for Oncology — ETH Zürich

Description complète

Chercheur postdoctoral en modèles de raisonnement multimodal pour l'oncologie 100%, Bâle, durée déterminée imprimer Drucken Nous cherchons un chercheur postdoctoral exceptionnel et très motivé pour diriger la recherche sur les modèles de raisonnement multimodal pour l'oncologie. Le projet se concentre sur l'élaboration, la post-formation et l'évaluation de modèles d'IA flexibles qui peuvent soutenir le diagnostic oncologique complexe et la prise de décisions thérapeutiques d'une manière sûre, transparente et cliniquement fondée. Le candidat retenu travaillera sur des modèles de raisonnement multimodal axés sur l'oncologie qui combinent le langage, la vision, les connaissances biomédicales, le contexte clinique et les données pertinentes au niveau du patient pour produire des résultats fiables, vérifiables et incertains. L'un des principaux objectifs de ce poste est l'élaboration de stratégies de raisonnement fondées sur l'IA pour l'oncologie, y compris l'inférence à l'aide d'outils, les flux de travail multi-agents ou composés, la supervision des processus, la formation guidée par les vérificateurs et le renforcement de la formation post-apprentissage. L'objectif est de construire des systèmes qui peuvent justifier des recommandations, citer des preuves à l'appui, étalonner l'incertitude, différer de façon appropriée et fonctionner en toute sécurité dans des contextes cliniquement réalistes. Cette position s'inscrit dans une collaboration hautement interdisciplinaire entre l'ETH Zurich, Kaiko.ai et des partenaires cliniques, offrant l'occasion de faire progresser la recherche fondamentale sur l'IA tout en travaillant à la traduction du monde réel en oncologie. Description du poste Modèles de raisonnement pour l'oncologie Élaboration et adaptation de modèles de base axés sur l'oncologie capables de raisonner sur des questions cliniques complexes, y compris le diagnostic, l'interprétation moléculaire, la sélection du traitement et les soins longitudinaux. Cela peut comprendre:

• Architectures de modèles de langage multimodal
• Intégration du contexte clinique, de la littérature biomédicale, des lignes directrices et des preuves multimodales au niveau du patient
• Adaptation et évaluation des ensembles de données oncologiques publics et institutionnels
• Développement d'un comportement de raisonnement conscient de l'incertitude et de la sécurité Stratégies, agents et utilisation des outils Élaboration de flux de travail modèles qui peuvent utiliser des outils et des sources de connaissances externes de manière fiable et vérifiable. Voici quelques exemples :
• Récupération de la littérature, des lignes directrices cliniques et des bases de données d'essais
• Recherche d'essais cliniques et de preuves thérapeutiques
• Interprétation variée et utilisation de la base de connaissances moléculaire
• Systèmes multi-agents pour décomposer des tâches d'oncologie complexes en flux hiérarchiques de contexte
• Citation et résultats traçables convenant à l'examen d'experts Surveillance des processus et post-formation Développement de méthodes post-formation qui améliorent la qualité du raisonnement clinique, la fiabilité et la sécurité.
• Surveillance au niveau du processus pour les étapes intermédiaires du raisonnement
• Surveillance axée sur les résultats à l'aide de signaux d'experts ou de directives
• Renforcement de l'apprentissage pour les comportements de raisonnement spécifiques à l'oncologie
• Comparaison et développement des approches de formation RL
• Étalonnage, abstention et optimisation de la sécurité Évaluation clinique et sécurité Évaluation des modèles de raisonnement en oncologie dans des contextes cliniquement significatifs. Les principales dimensions de l'évaluation sont les suivantes :
• Conformité des lignes directrices
• Qualité du diagnostic et du raisonnement thérapeutique
• Précision de l'interprétation moléculaire
• Fiabilité de l'utilisation des outils
• Qualité des citations et ancrage des preuves
• Étalonnage, incertitude et report approprié
• Vérification des traces et évaluation du clinicien en boucle Profil Il faut avoir
• Doctorat en informatique, en apprentissage automatique, en intelligence artificielle médicale, en informatique biomédicale, en biologie informatique ou dans un domaine connexe
• Fortes compétences en programmation dans les cadres Python et ML modernes
• Expérience de l'apprentissage profond et des grands modèles linguistiques
• Forte publication dans l'IA/ML, l'IA médicale, la biologie informatique, l'informatique biomédicale ou des domaines connexes
• Capacité de travailler dans des environnements de recherche hautement interdisciplinaires Préféré
• Expérience des modèles de fondation, des modèles multimodaux ou des modèles de langage biomédical/clinique
• Expérience