Postdoktorand für multimodale Reasoning-Modelle in der Onkologie

Postdoktorand für multimodale Reasoning-Modelle in der Onkologie # 100%, Basel, befristet #### print Drucken  Wir suchen einen außergewöhnlichen und hochmotivierten Postdoktoranden, um die Forschung an multimodalen Reasoning-Modellen für die Onkologie zu leiten. Das Projekt konzentriert sich auf die Entwicklung, das Post-Training und die Evaluierung flexibler KI-Modelle, die die komplexe onkologische diagnostische und therapeutische Entscheidungsfindung auf sichere, transparente und klinisch fundierte Weise unterstützen können. Der erfolgreiche Kandidat wird an onkologiebezogenen multimodalen Reasoning-Modellen arbeiten, die Sprache, Vision, biomedizinisches Wissen, klinischen Kontext und relevante Daten auf Patientenebene kombinieren, um zuverlässige, prüfbare und unsicherheitsbewusste Ergebnisse zu liefern.  Ein Schwerpunkt der Position liegt auf der Entwicklung KI-basierter Reasoning-Strategien für die Onkologie, einschließlich tool-augmentierter Inferenz, Multi-Agenten- oder Compound-Modell-Workflows, Prozessüberwachung, Verifier-gestütztem Training und Reinforcement Learning-basiertem Post-Training. Das Ziel ist es, Systeme aufzubauen, die Empfehlungen rechtfertigen, unterstützende Belege zitieren, Unsicherheiten kalibrieren, angemessen zurückstellen und in klinisch realistischen Umgebungen sicher agieren können. Diese Position ist in eine hochgradig interdisziplinäre Zusammenarbeit zwischen der ETH Zurich, Kaiko.ai und klinischen Partnern eingebettet und bietet die Möglichkeit, die grundlegende KI-Forschung voranzutreiben und gleichzeitig auf die reale Anwendung in der Onkologie hinzuarbeiten. Stellenbeschreibung ## Reasoning-Modelle für die Onkologie  Entwicklung und Anpassung von onkologiebezogenen Foundation Models, die in der Lage sind, komplexe klinische Fragen zu beantworten, einschließlich Diagnose, molekularer Interpretation, Behandlungsselektion und longitudinaler Versorgung. Dies kann umfassen: • Multimodale Sprachmodell-Architekturen • Integration von klinischem Kontext, biomedizinischer Literatur, Leitlinien und multimodalen Belegen auf Patientenebene • Anpassung und Evaluierung auf öffentlichen und institutionellen Onkologie-Datensätzen • Entwicklung von unsicherheitsbewusstem und sicherheitsbewusstem Reasoning-Verhalten Reasoning-Strategien, Agenten und Tool-Nutzung Entwicklung von Modell-Workflows, die externe Tools und Wissensquellen auf zuverlässige und prüfbare Weise nutzen können. Beispiele hierfür sind: • Abruf aus der Literatur, klinischen Leitlinien und Datenbanken klinischer Studien • Matching für klinische Studien und Suche nach Therapiebelegen • Varianteninterpretation und Nutzung molekularer Wissensdatenbanken • Multi-Agenten-Systeme zur Zerlegung komplexer Onkologie-Aufgaben in hierarchische Kontextströme • Zitiergestützte und rückverfolgbare Ergebnisse, die für eine Expertenprüfung geeignet sind Prozessüberwachung und Post-Training Entwicklung von Post-Training-Methoden, welche die Qualität, Zuverlässigkeit und Sicherheit des klinischen Reasonings verbessern. Dies kann umfassen: • Überwachung auf Prozessebene für intermediäre Reasoning-Schritte • Ergebnisorientierte Überwachung unter Verwendung von Experten- oder Leitlinien-basierten Signalen • Reinforcement Learning für onkologie-spezifisches Reasoning-Verhalten • Vergleich und Entwicklung von RL-Trainingsansätzen • Kalibrierung, Enthaltung (Abstention) und sicherheitsbewusste Optimierung Klinische Evaluierung und Sicherheit Evaluierung von Onkologie-Reasoning-Modellen in klinisch relevanten Umgebungen. Wichtige Evaluierungsdimensionen sind: • Konformität mit Leitlinien • Qualität des diagnostischen und therapeutischen Reasonings • Genauigkeit der molekularen Interpretation • Zuverlässigkeit der Tool-Nutzung • Zitierqualität und Belegfundierung • Kalibrierung, Unsicherheit und angemessene Zurückstellung • Rückverfolgbare Auditierbarkeit und Clinician-in-the-loop-Evaluierung Profil ## Muss haben • PhD in Informatik, Machine Learning, Medizinischer KI, Biomedizinischer Informatik, Computational Biology oder einem verwandten Bereich • Starke Programmierkenntnisse in Python und modernen ML-Frameworks • Erfahrung mit Deep Learning und Large Language Models • Starke Publikationsliste in AI/ML, Medizinischer KI, Computational Biology, Biomedizinischer Informatik oder verwandten Bereichen • Fähigkeit, in hochgradig interdisziplinären Forschungsumgebungen zu arbeiten Bevorzugt • Erfahrung mit Foundation Models, multimodalen Modellen oder biomedizinischen/klinischen Sprachmodellen • Erfahrung mit Reasoning-Modellen, Agenten, Tool-Nutzung oder Compound-LLM-Systemen • Erfahrung mit LLM-Post-Training-Methoden wie RLHF, RLAIF, Verifier-gestütztem Training oder Prozessüberwachung • Vertrautheit mit Retrieval-Methoden für LLMs, einschließlich Dense/Sparse Retrieval, Agentic Retrieval oder hybriden Ansätzen • Erfahrung mit medizinischen KI-Anwendungen, insbesondere Onkologie, Genomik, Bildgebung oder klinischem NLP ist ein Plus, aber nicht erforderlich • Erfahrung mit skalierbarer ML-Infrastruktur, Multi-Node-GPU-Training oder lokalen/privaten Deployment-Umgebungen Arbeitsplatz ## Arbeitsplatz ## Wir bieten ## • Eine Vollzeit-Postdoktorandenstelle an der ETH Zurich, einer der weltweit führenden Forschungsuniversitäten • Dieses Projekt ist eine Zusammenarbeit zwischen unserem Labor an der ETH Zurich (D-BSSE in Basel) und Kaiko.ai • Möglichkeit, an hochmodernen Foundation Models für die reale Onkologie-Anwendung zu arbeiten • Zugang zu einzigartigen multimodalen klinischen Datensätzen und enge Zusammenarbeit mit Kaiko.ai und klinischen Partnern • Hochgradig interdisziplinäres Umfeld, das KI (Foundation Models, MLLMs, Agenten-Systeme), Onkologie und klinische Informatik umfasst • Wettbewerbsfähiges Gehalt und exzellente Forschungsinfrastruktur (z. B. Zugang zum Alps-Cluster mit 10k High-End-GPUs – innerhalb von SwissAI-Projekten) • Unsere Gruppe ist aktiv am ETH AI Cente