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.

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.

Aufgabenbeschreibung

• 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.

Hauptverantwortlichkeiten

• Multimodale Sprachmodellarchitekturen
• Integration des klinischen Kontexts, biomedizinischer Literatur, Richtlinien und patientenbezogener multimodaler Evidenz
• Anpassung und Bewertung öffentlicher und institutioneller onkologischer Datensätze
• Entwicklung von unsicherheitsbewusstem und sicherheitsbewusstem Denkverhalten

Denkstrategien, Agenten und Werkzeugnutzung

• Literaturrecherche, klinische Richtlinien und Studien-Datenbanken
• Abgleich klinischer Studien und Nachschlagen von Therapie-Evidenz
• Interpretation von Varianten und Nutzung von molekularen Wissensdatenbanken
• Multi-Agenten-Systeme zur Zerlegung komplexer onkologischer Aufgaben in hierarchische Kontextströme
• Zitationsergebnisse, die für Expertenprüfungen geeignet sind

Prozessüberwachung und Nachschulung

• Prozessüberwachung auf Zwischenebene für 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

Klinische Bewertung und Sicherheit

• Übereinstimmung mit Richtlinien
• Qualität des diagnostischen und therapeutischen Denkens
• Genauigkeit der molekularen Interpretation
• Zuverlässigkeit der Werkzeugnutzung
• Qualität der Zitation und Evidenzfundierung
• Kalibrierung, Unsicherheit und angemessene Enthaltung
• Nachverfolgbarkeit und Evaluation durch Kliniker

Profil

Must Have

• Doktortitel 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

Bevorzugt

• 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 Abrufmethoden für LLMs, einschließlich dichten/sparsamen Abruf, agentischem Abruf 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

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 modernsten Grundmodellen für die reale onkologische Entscheidungsfindung zu arbeiten
• Zugang zu einzigartigen multimodalen klinischen Datensätzen und enge Zusammenarbeit mit Kaiko.ai und klinischen Partnern
• Hochinterdisziplinäres Umfeld, das AI (Grundmodelle, MLLMs, Agentensysteme), Onkologie und klinische Informatik umfasst
• Wettbewerbsfähiges Gehalt und hervorragende Forschungsinfrastruktur (z.B. Zugang zum Alps-Cluster mit 10.000 Hochleistungs-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 verschafft

Wir schätzen Vielfalt und Nachhaltigkeit. Die ETH Zürich fördert eine inklusive Kultur, setzt sich für Chancengleichheit ein, schätzt Vielfalt und pflegt ein Arbeits- und Lernumfeld, in dem die Rechte und die Würde aller Mitarbeiter und Studierenden respektiert werden. Nachhaltigkeit ist ein Kernwert für uns – wir arbeiten kontinuierlich auf eine klimaneutrale Zukunft hin.