"Die Information ist im Bild."\

YottaSen entwickelt KI-basierte Diagnostik-, Prognose- und Prädiktionsmodelle für Brustkrebs auf Basis digitalisierter histopathologischer Bilddaten. Wir wollen aus HE-gefärbten Gewebeschnitten Informationen ableiten, für die heute zusätzliche Laborverfahren, Immunhistochemie, molekulare Tests oder klinische Verlaufsbeobachtungen erforderlich sind - und so künftig bessere diagnostische und therapeutische Entscheidungen unterstützen.

Für den Aufbau unserer bildbasierten KI-Entwicklung suchen wir eine methodisch starke, technisch neugierige Persönlichkeit mit Interesse an Digital Pathology und Whole Slide Imaging.

Deine Rolle

Du baust gemeinsam mit unserem Team die Image-AI-Komponente von YottaSen auf: von der Verarbeitung großer Whole Slide Images über Tile- und Embedding-Pipelines bis zu Image-Only-Baselines und multimodalen Clinical+Image-Modellen.

Dabei entwickelst du nicht nur Modelle. Du gestaltest die gesamte WSI-to-ML-Infrastruktur mit:

Du arbeitest eng mit Medizin, Pathologie, Biostatistik und Data Science zusammen. Clinical-Only-Modellierung, Score-Validierung und medizinisch-statistische Endpunktlogik sind im Team bereits stark abgedeckt - du ergänzt diese Expertise um die bildbasierte KI.

Deine Aufgaben

Entwicklung von Deep-Learning-Modellen für histopathologische Whole Slide Images
Aufbau reproduzierbarer Pipelines für WSI-Reading, Tiling, Tissue Detection, Feature Extraction und Embedding-Erzeugung
Verknüpfung von Tiles, Slides, Patientinnen, Kohorten und klinischen Labels
Entwicklung robuster Image-Only-Baselines sowie später multimodaler Clinical+Image-Modelle
Evaluation moderner Ansätze wie Multiple Instance Learning, Foundation Models, Self-Supervised Learning, Vision Transformer und CNNs
Modellierung von Rezidiv-, Metastasierungs- und Überlebensrisiken sowie weiterer klinisch relevanter Endpunkte
Aufbau von Heatmaps, Interpretierbarkeits- und Robustheitsanalysen
Mitgestaltung unserer AI-Infrastruktur: GPU-Setups, Speicherstrukturen, Daten- und Modellversionierung, Experimenttracking und reproduzierbare Trainingsumgebungen
Sicherstellung sauberer Patient-Level-Splits, Vermeidung von Data Leakage und nachvollziehbarer Modellvalidierung

Du hast einen starken quantitativen oder technischen Hintergrund, etwa in Informatik, Mathematik, Physik, Data Science, Bioinformatik, Medizininformatik, Computational Biology, Biomedical Engineering, Medical Imaging oder Computational Pathology. Eine Promotion ist willkommen, aber keine Voraussetzung.

Wichtig sind uns:

praktische Erfahrung mit Machine Learning oder Deep Learning
sehr gute Python-Kenntnisse, idealerweise mit PyTorch
Verständnis für Statistik, Modellvalidierung und wissenschaftliches Arbeiten
Interesse an Datenpipelines, GPU-basiertem Training und technischer Infrastruktur
sorgfältige, strukturierte und reproduzierbare Arbeitsweise
Motivation, dich tief in Brustkrebs, Pathologie und WSI-basierte KI einzuarbeiten

Besonders spannend sind Erfahrungen mit Whole Slide Images, .mrxs/.svs/.ndpi, OpenSlide, pyvips, cuCIM, MONAI, TIAToolbox, Tiling, Foundation Models, Multiple Instance Learning, Linux, Docker, MLflow, Weights & Biases, DVC, Survival Analysis oder multimodalen Modellen. Du musst nicht alles davon mitbringen.

Dein Weg bei uns

In den ersten Monaten baust du eine robuste WSI-Pipeline und erste Image-Only-Baselines auf. Anschließend entwickelst du multimodale Modelle aus klinischen Variablen und Bildfeatures. Dabei untersuchst du, ob Bildsignale bestehende Scores und Clinical-Only-Modelle ergänzen oder übertreffen - einschließlich Interpretierbarkeit, Subgruppenanalysen und Modellrobustheit.

Was dich bei uns erwartet

Du erhältst echten technischen Gestaltungsspielraum und arbeitest nicht innerhalb einer bereits fertigen Konzerninfrastruktur. Du entscheidest mit, wie unsere WSI-Pipelines, GPU-Umgebung, Speicherarchitektur, Experimentverwaltung und Modellstrategie entstehen.

Die Rolle ist bewusst mit Entwicklungsperspektive angelegt: Wir suchen keine fertige Head-of-AI-Person, sondern jemanden mit starkem Fundament, hoher Lernkurve und dem Potenzial, innerhalb von ein bis zwei Jahren in eine technische Lead-AI-Rolle hineinzuwachsen.

#J-18808-Ljbffr

YottaSen Forschungs-GmbH