Ricercatore Postdoc in Modelli di Ragionamento Multimodale per l'Oncologia

Ricercatore Postdoc in Modelli di Ragionamento Multimodale per l'Oncologia # 100%, Basel, fixed-term #### print Drucken  Cerchiamo un Ricercatore Postdoc eccezionale e altamente motivato per guidare la ricerca sui modelli di ragionamento multimodale per l'oncologia. Il progetto si concentra sullo sviluppo, il post-training e la valutazione di modelli AI flessibili che possano supportare processi decisionali diagnostici e terapeutici oncologici complessi in modo sicuro, trasparente e clinicamente fondato. Il candidato selezionato lavorerà su modelli di ragionamento multimodale focalizzati sull'oncologia che combinano linguaggio, visione, conoscenza biomedica, contesto clinico e dati rilevanti a livello di paziente per produrre output affidabili, verificabili e consapevoli dell'incertezza.  Un obiettivo principale della posizione è lo sviluppo di strategie di ragionamento basate sull'AI per l'oncologia, inclusi l'inferenza aumentata da strumenti (tool-augmented inference), workflow di modelli multi-agente o composti, supervisione del processo (process supervision), addestramento guidato da verifier e post-training basato su reinforcement learning. L'obiettivo è costruire sistemi in grado di giustificare le raccomandazioni, citare le prove a supporto, calibrare l'incertezza, differire appropriately le decisioni e operare in sicurezza in contesti clinicamente realistici. Questa posizione è inserita in una collaborazione altamente interdisciplinare tra ETH Zurich, Kaiko.ai e partner clinici, offrendo l'opportunità di far progredire la ricerca fondamentale sull'AI lavorando verso la traduzione nel mondo reale in oncologia. Descrizione del lavoro ## Modelli di Ragionamento per l'Oncologia  Sviluppo e adattamento di modelli fondativi focalizzati sull'oncologia capaci di ragionare su quesiti clinici complessi, inclusi diagnosi, interpretazione molecolare, selezione del trattamento e cura longitudinale. Ciò può includere: • Architetture di modelli linguistici multimodali • Integrazione di contesto clinico, letteratura biomedica, linee guida ed evidenze multimodali a livello di paziente • Adattamento e valutazione su dataset oncologici pubblici e istituzionali • Sviluppo di comportamenti di ragionamento consapevoli dell'incertezza e della sicurezza Strategie di Ragionamento, Agenti e Uso di Strumenti Sviluppo di workflow di modelli che possano utilizzare strumenti esterni e fonti di conoscenza in modo affidabile e verificabile. Esempi includono: • Recupero da letteratura, linee guida cliniche e database di trial • Corrispondenza di trial clinici e ricerca di evidenze terapeutiche • Interpretazione di varianti e utilizzo di basi di conoscenza molecolare • Sistemi multi-agente per decomporre compiti oncologici complessi in flussi di contesto gerarchici • Output basati su citazioni e tracciabili, adatti alla revisione da parte di esperti Supervisione del Processo e Post-Training Sviluppo di metodi di post-training che migliorino la qualità, l'affidabilità e la sicurezza del ragionamento clinico. Ciò può includere: • Supervisione a livello di processo per i passaggi intermedi di ragionamento • Supervisione basata sull'esito utilizzando segnali derivati da esperti o linee guida • Reinforcement learning per comportamenti di ragionamento specifici per l'oncologia • Confronto e sviluppo di approcci di addestramento RL • Calibrazione, astensione e ottimizzazione consapevole della sicurezza Valutazione Clinica e Sicurezza Valutazione di modelli di ragionamento oncologico in contesti clinicamente significativi. Le dimensioni chiave della valutazione includono: • Concordanza con le linee guida • Qualità del ragionamento diagnostico e terapeutico • Accuratezza dell'interpretazione molecolare • Affidabilità dell'uso degli strumenti • Qualità delle citazioni e fondatezza delle prove • Calibrazione, incertezza e differimento appropriato • Tracciabilità dell'audit e valutazione con clinico nel loop (clinician-in-the-loop) Profilo ## Must Have • PhD in Informatica, Machine Learning, Medical AI, Informatica Biomedica, Biologia Computazionale o un campo correlato • Forti capacità di programmazione in Python e moderni framework ML • Esperienza con deep learning e grandi modelli linguistici (LLM) • Solido record di pubblicazioni in AI/ML, medical AI, biologia computazionale, informatica biomedica o aree correlate • Capacità di lavorare in ambienti di ricerca altamente interdisciplinari Preferred • Esperienza con modelli fondativi, modelli multimodali o modelli linguistici biomedici/clinici • Esperienza con modelli di ragionamento, agenti, uso di strumenti o sistemi LLM composti • Esperienza con metodi di post-training per LLM come RLHF, RLAIF, addestramento guidato da verifier o supervisione del processo • Familiarità con metodi di recupero (retrieval) per LLM, inclusi recupero denso/sparso, recupero agentico o approcci ibridi • L'esperienza con applicazioni di medical AI, in particolare oncologia, genomica, imaging o NLP clinico è un plus, ma non richiesta • Esperienza con infrastrutture ML scalabili, addestramento GPU multi-nodo o impostazioni di deployment locali/private Luogo di lavoro ## Workplace ## Offriamo ## • Una posizione post-doc a tempo pieno presso ETH Zurich, una delle università di ricerca leader al mondo • Questo progetto è una collaborazione tra il nostro laboratorio presso ETH Zurich (D-BSSE situato a Basel) e Kaiko.ai • Opportunità di lavorare su modelli fondativi all'avanguardia per il ragionamento oncologico nel mondo reale • Accesso a dataset clinici multimodali unici e stretta collaborazione con Kaiko.ai e partner clinici • Ambiente altamente interdisciplinare che spazia tra AI (modelli fondativi, MLLM, sistemi di agenti), oncologia e informatica clinica • Stipendio competitivo e ottima infrastruttura di ricerca (ad es. accesso al cluster Alps con 10k GPU di fascia alta - all'interno dei progetti SwissAI) • Il nostro gruppo è attivamente impegn