崗位職責(zé) 1、醫(yī)療數(shù)據(jù)處理與模型研發(fā) l 負(fù)責(zé)電子病歷(HL7/FHIR標(biāo)準(zhǔn))、生理信號等多模態(tài)醫(yī)療數(shù)據(jù)的清洗、標(biāo)注與特征工程,構(gòu)建適配醫(yī)療垂直大模型訓(xùn)練的高質(zhì)量結(jié)構(gòu)化數(shù)據(jù)集。 l 設(shè)計并實現(xiàn)基于機(jī)器學(xué)習(xí)/深度學(xué)習(xí)的醫(yī)療AI模型,重點聚焦醫(yī)療垂直大模型(如MedBERT、BioGPT、ClinicalBERT等)的微調(diào)與優(yōu)化,解決小樣本數(shù)據(jù)場景下的算法泛化問題(如半監(jiān)督學(xué)習(xí)、遷移學(xué)習(xí))。 2、算法工程化與臨床落地 l 構(gòu)建AI分析軟件架構(gòu),制定大模型部署技術(shù)路線,負(fù)責(zé)模型訓(xùn)練、壓縮優(yōu)化及端側(cè)/云端部署(如醫(yī)院信息系統(tǒng)集成),確保大模型在臨床環(huán)境中的實時性與穩(wěn)定性。 l 推動大模型可解釋性方案落地(如SHAP值分析、注意力權(quán)重可視化),滿足臨床對模型透明度的需求,并參與醫(yī)療AI產(chǎn)品的法規(guī)認(rèn)證(FDA 510(k)/CE/NMPA)技術(shù)文檔撰寫。 3、技術(shù)創(chuàng)新與跨團(tuán)隊協(xié)作 l 主導(dǎo)醫(yī)療垂直大模型前沿技術(shù)研究(如領(lǐng)域知識注入、多模態(tài)數(shù)據(jù)融合、輕量化模型設(shè)計),探索大模型在罕見病診斷、個性化治療推薦等場景的應(yīng)用,輸出算法原型與臨床驗證方案。 l 與臨床專家協(xié)作定義大模型優(yōu)化方向,轉(zhuǎn)化醫(yī)學(xué)需求為技術(shù)指標(biāo),推動大模型相關(guān)知識產(chǎn)權(quán)(專利、軟著)申報及技術(shù)文檔維護(hù)。 任職要求 1、學(xué)歷與專業(yè)背景 碩士及以上學(xué)歷,計算機(jī)科學(xué)、人工智能、生物醫(yī)學(xué)工程等相關(guān)專業(yè)優(yōu)先;有醫(yī)療垂直大模型研發(fā)或臨床應(yīng)用項目經(jīng)驗者優(yōu)先。 2、技術(shù)能力 l 算法基礎(chǔ):精通機(jī)器學(xué)習(xí)(如LR、SVM、GBDT)、深度學(xué)習(xí)(如Transformer、LSTM)及小樣本學(xué)習(xí)技術(shù),核心要求:具備醫(yī)療垂直大模型(如MedBERT、BioGPT、ClinicalBERT)的預(yù)訓(xùn)練、微調(diào)、提示工程(Prompt Engineering)及多場景應(yīng)用落地經(jīng)驗,熟悉大模型性能評估指標(biāo)(如臨床準(zhǔn)確率、召回率);有NLP(臨床實體識別、ICD編碼)、時序信號分析項目經(jīng)驗者優(yōu)先。 l 工具與框架:熟練使用Python/C++、PyTorch/TensorFlow、Hugging Face Transformers,熟悉大模型分布式訓(xùn)練框架(如DeepSpeed、Megatron-LM)及模型壓縮工具;有CUDA加速、醫(yī)療數(shù)據(jù)預(yù)處理 pipeline 開發(fā)經(jīng)驗者優(yōu)先。 l 醫(yī)療領(lǐng)域知識:熟悉HL7/FHIR數(shù)據(jù)標(biāo)準(zhǔn)、ICD/SNOMED醫(yī)學(xué)術(shù)語編碼,了解醫(yī)療數(shù)據(jù)脫敏(HIPAA合規(guī))及大模型訓(xùn)練數(shù)據(jù)質(zhì)量管理方法。 3、軟技能與經(jīng)驗 l 5年以上醫(yī)療AI算法研發(fā)經(jīng)驗,至少3年醫(yī)療垂直大模型相關(guān)項目經(jīng)驗,有FDA/CE/NMPA認(rèn)證項目參與經(jīng)驗者優(yōu)先;具備獨立設(shè)計大模型技術(shù)方案、解決臨床實際問題的能力。 l 良好的跨學(xué)科溝通能力(能與醫(yī)生、工程師協(xié)作定義大模型優(yōu)化需求),較強的文檔撰寫能力(如大模型訓(xùn)練報告、臨床驗證方案)。