Postdoctoral Researcher in Multimodal Reasoning Models for Oncology

Wir suchen einen außergewöhnlichen und hochmotivierten Postdoktoranden, der die Forschung zu multimodalen Denkmodellen für die Onkologie leitet. Das Projekt konzentriert sich auf die Entwicklung, Nachschulung und Bewertung flexibler KI-Modelle, die komplexe onkologische Diagnose- und Therapieentscheidungen auf sichere, transparente und klinisch fundierte Weise unterstützen können.

Der erfolgreiche Kandidat wird an onkologiebezogenen multimodalen Denkmodellen arbeiten, die Sprache, Vision, biomedizinisches Wissen, klinischen Kontext und relevante Patientendaten kombinieren, um zuverlässige, prüfbare und unsicherheitsbewusste Ergebnisse zu produzieren. Ein Hauptaugenmerk der Position liegt auf der Entwicklung von KI-basierten Denkstrategien für die Onkologie, einschließlich werkzeugunterstützter Inferenz, Multi-Agenten- oder Compound-Modell-Workflows, Prozessüberwachung, verifizierer-gesteuertes Training und verstärkendes Lernen nach dem Training.

Das Ziel ist der Aufbau von Systemen, die Empfehlungen rechtfertigen, unterstützende Beweise zitieren, Unsicherheiten kalibrieren, angemessen zurücktreten und sicher in klinisch realistischen Umgebungen arbeiten können. Diese Position ist in eine hochinterdisziplinäre Zusammenarbeit zwischen ETH Zürich, Kaiko.ai und klinischen Partnern eingebettet und bietet die Möglichkeit, grundlegende KI-Forschung voranzutreiben, während man auf die praktische Umsetzung in der Onkologie hinarbeitet.

• Entwicklung und Anpassung von onkologiebezogenen Grundmodellen, die in der Lage sind, über komplexe klinische Fragen zu denken, einschließlich Diagnose, molekularer Interpretation, Therapieauswahl und longitudinaler Versorgung.
• Integration von klinischem Kontext, biomedizinischer Literatur, Richtlinien und patientenbezogenen multimodalen Beweisen.
• Entwicklung von Unsicherheits- und Sicherheitsbewusstsein in der Denkweise.

Entwicklung von Modell-Workflows, die externe Werkzeuge und Wissensquellen auf zuverlässige und prüfbare Weise nutzen können:

• Literaturretrieval, klinische Richtlinien und Datenbankabgleich von klinischen Studien.
• Interpretation von Varianten und Nutzung von molekularen Wissensdatenbanken.
• Multi-Agenten-Systeme zur Zerlegung komplexer onkologischer Aufgaben in hierarchische Kontextströme.
• Zitiergestützte und nachvollziehbare Ergebnisse, die für Expertenbewertungen geeignet sind.

Entwicklung von Nachschulungsmethoden, die die Qualität, Zuverlässigkeit und Sicherheit des klinischen Denkens verbessern:

• Prozessüberwachung für Zwischen-Denkprozesse.
• Ergebnisbasierte Überwachung unter Verwendung von Experten- oder richtlinienbasierten Signalen.
• Verstärkendes Lernen für onkologiespezifisches Denkverhalten.
• Vergleich und Entwicklung von RL-Trainingsansätzen.
• Kalibrierung, Enthaltung und sicherheitsbewusste Optimierung.

Bewertung von onkologischen Denkmodellen in klinisch relevanten Umgebungen:

• Qualität des diagnostischen und therapeutischen Denkens.
• Genauigkeit der molekularen Interpretation.
• Zuverlässigkeit der Werkzeugnutzung.
• Qualität der Zitation und Beweisgrundlage.
• Kalibrierung, Unsicherheit und angemessene Zurückhaltung.
• Nachverfolgbarkeit und Evaluation durch Kliniker.

Profil

• PhD in Informatik, Maschinellem Lernen, Medizinischer KI, Biomedizinischer 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, computationaler Biologie, biomedizinischer Informatik oder verwandten Bereichen.
• Fähigkeit, in hochinterdisziplinären Forschungsumgebungen zu arbeiten.

Bevorzugte Qualifikationen

• Erfahrung mit Grundmodellen, multimodalen Modellen oder biomedizinischen/klinischen Sprachmodellen.
• Erfahrung mit Denkmodellen, Agenten, Werkzeugnutzung oder Compound-LLM-Systemen.
• Erfahrung mit LLM-Nachschulungsmethoden wie RLHF, RLAIF, verifizierer-gesteuertes Training oder Prozessüberwachung.
• Vertrautheit mit Retrieval-Methoden für LLMs, einschließlich dichten/sparsamen Retrievals, agentischem Retrieval oder hybriden Ansätzen.
• Erfahrung mit Anwendungen der medizinischen KI, insbesondere in der Onkologie, Genomik, Bildgebung oder klinischer NLP ist von Vorteil, aber nicht erforderlich.
• Erfahrung mit skalierbarer ML-Infrastruktur, Multi-Node-GPU-Training oder lokalen/privaten Bereitstellungseinstellungen.

Arbeitsplatz

Wir bieten eine Vollzeit-Postdoc-Stelle an der ETH Zürich, einer der weltweit führenden Forschungsuniversitäten. Dieses Projekt ist eine Zusammenarbeit zwischen unserem Labor an der ETH Zürich (D-BSSE in Basel) und Kaiko.ai. Die Möglichkeit, an fortschrittlichen Grundmodellen für die reale onkologische Denkweise zu arbeiten. Zugang zu einzigartigen multimodalen klinischen Datensätzen und enge Zusammenarbeit mit Kaiko.ai und klinischen Partnern. Eine hochinterdisziplinäre Umgebung, die AI (Grundmodelle, MLLMs, Agentensysteme), Onkologie und klinische Informatik umfasst. Wettbewerbsfähiges Gehalt und hervorragende Forschungsinfrastruktur (z.B. Zugang zum Alps-Cluster mit 10.000 High-End-GPUs – im Rahmen von SwissAI-Projekten). Unsere Gruppe ist aktiv mit dem ETH AI Center und der SwissAI-Initiative verbunden, was unseren Gruppenmitgliedern Zugang zu dieser lebendigen und erstklassigen KI-Community gibt.

Im Einklang mit unseren Werten fördert die ETH Zürich eine inklusive Kultur. Wir setzen uns für Chancengleichheit ein, schätzen Vielfalt und pflegen ein Arbeits- und Lernumfeld, in dem die Rechte und die Würde aller Mitarbeiter und Studierenden respektiert werden. Besuchen Sie unsere Website zu Chancengleichheit und Vielfalt, um zu erfahren, wie wir ein faires und offenes Umfeld gewährleisten, das es jedem ermöglicht, zu wachsen und zu gedeihen. Nachhaltigkeit ist ein Kernwert für uns – wir arbeiten kontinuierlich auf eine klimaneutrale Zukunft hin.