Chercheur postdoctoral en modèles de raisonnement multimodal pour l'oncologie

Chercheur postdoctoral en modèles de raisonnement multimodal pour l'oncologie # 100%, Basel, durée déterminée #### print Drucken  Nous recherchons un chercheur postdoctoral exceptionnel et hautement motivé pour diriger la recherche sur les modèles de raisonnement multimodal pour l'oncologie. Le projet se concentre sur le développement, le post-entraînement et l'évaluation de modèles d'IA flexibles capables de soutenir la prise de décision diagnostique et thérapeutique oncologique complexe de 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, auditables et conscients de l'incertitude.  Un axe majeur du poste est le développement de stratégies de raisonnement basées sur l'IA pour l'oncologie, incluant l'inférence augmentée par des outils, les flux de travail multi-agents ou de modèles composés, la supervision de processus, l'entraînement guidé par un vérificateur et le post-entraînement basé sur l'apprentissage par renforcement. L'objectif est de construire des systèmes capables de justifier des recommandations, de citer des preuves de soutien, de calibrer l'incertitude, de s'abstenir de manière appropriée et d'opérer en toute sécurité dans des contextes cliniques réalistes. Ce poste est intégré dans une collaboration hautement interdisciplinaire entre l'ETH Zurich, Kaiko.ai et des partenaires cliniques, offrant l'opportunité de faire progresser la recherche fondamentale en IA tout en travaillant vers une application réelle en oncologie. Description du poste ## Modèles de raisonnement pour l'oncologie  Développement et adaptation de modèles de fondation axés sur l'oncologie capables de raisonner sur des questions cliniques complexes, incluant le diagnostic, l'interprétation moléculaire, la sélection de traitements et les soins longitudinaux. Cela peut inclure : • Architectures de modèles de langage multimodaux • Intégration du contexte clinique, de la littérature biomédicale, des directives et des preuves multimodales au niveau du patient • Adaptation et évaluation sur des ensembles de données d'oncologie publics et institutionnels • Développement d'un comportement de raisonnement conscient de l'incertitude et de la sécurité Stratégies de raisonnement, agents et utilisation d'outils Développement de flux de travail de modèles pouvant utiliser des outils externes et des sources de connaissances de manière fiable et auditable. Les exemples incluent : • Recherche dans la littérature, les directives cliniques et les bases de données d'essais • Mise en correspondance d'essais cliniques et recherche de preuves thérapeutiques • Interprétation de variantes et utilisation de bases de connaissances moléculaires • Systèmes multi-agents pour décomposer des tâches d'oncologie complexes en flux de contextes hiérarchiques • Résultats traçables et fondés sur des citations, adaptés à une révision par des experts Supervision de processus et post-entraînement Développement de méthodes de post-entraînement qui améliorent la qualité, la fiabilité et la sécurité du raisonnement clinique. Cela peut inclure : • Supervision au niveau du processus pour les étapes de raisonnement intermédiaires • Supervision basée sur les résultats utilisant des signaux dérivés d'experts ou de directives • Apprentissage par renforcement pour un comportement de raisonnement spécifique à l'oncologie • Comparaison et développement d'approches d'entraînement par RL • Calibration, abstention et optimisation tenant compte de la sécurité Évaluation clinique et sécurité Évaluation des modèles de raisonnement en oncologie dans des contextes cliniquement significatifs. Les dimensions clés de l'évaluation incluent : • Concordance avec les directives • Qualité du raisonnement diagnostique et thérapeutique • Précision de l'interprétation moléculaire • Fiabilité de l'utilisation des outils • Qualité des citations et ancrage des preuves • Calibration, incertitude et report approprié • Auditabilité de la trace et évaluation avec un clinicien dans la boucle Profil ## Indispensable • Doctorat en informatique, apprentissage automatique, IA médicale, informatique biomédicale, biologie computationnelle ou un domaine connexe • Fortes compétences en programmation en Python et dans les frameworks ML modernes • Expérience avec le deep learning et les grands modèles de langage • Solide dossier de publications en IA/ML, IA médicale, biologie computationnelle, informatique biomédicale ou domaines connexes • Capacité à travailler dans des environnements de recherche hautement interdisciplinaires Souhaité • Expérience avec les modèles de fondation, les modèles multimodaux ou les modèles de langage biomédicaux/cliniques • Expérience avec les modèles de raisonnement, les agents, l'utilisation d'outils ou les systèmes de LLM composés • Expérience avec les méthodes de post-entraînement de LLM telles que RLHF, RLAIF, l'entraînement guidé par un vérificateur ou la supervision de processus • Familiarité avec les méthodes de recherche pour les LLM, incluant la recherche dense/parcimonieuse, la recherche agentique ou les approches hybrides • L'expérience des applications d'IA médicale, particulièrement en oncologie, génomique, imagerie ou NLP clinique est un plus, mais n'est pas requise • Expérience avec l'infrastructure ML scalable, l'entraînement GPU multi-nœuds ou les environnements de déploiement locaux/privés Lieu de travail ## Lieu de travail ## Nous offrons ## • Un poste postdoctoral à plein temps à l'ETH Zurich, l'une des universités de recherche les plus importantes au monde • Ce projet est une collaboration entre notre laboratoire à l'ETH Zurich (D-BSSE situé à Basel) et Kaiko.ai • Opportunité de travailler sur des modèles de fondation de point