MI-kutatási igazgató – onkológiai klinikai fejlesztés

Stack

Feladatok

• ▹Az onkológiai korai és késői fázisú klinikai fejlesztés MI-stratégiájának és ütemtervének kialakítása, az MI/ML prioritások összehangolása a klinikai és üzleti célokkal
• ▹Összetett, nagy téttel bíró MI-projektek vezetése mátrixszervezetben, szakmai tekintéllyel
• ▹Korszerű MI-módszerek értékelése, fejlesztése és képviselete a problémameghatározástól az adatkezelésen, governance-en, algoritmusfejlesztésen és validáción át a bevezetésig
• ▹Kapcsolatépítés a klinikai fejlesztési, biometriai, szabályozási és vizsgálati csapatokkal, az MI-megoldások beépítése a vizsgálattervezésbe és a döntéshozatalba
• ▹Külső együttműködések kialakítása egyetemekkel, technológiai partnerekkel és ipari konzorciumokkal
• ▹Az AstraZeneca képviselete tudományos konferenciákon és szakmai fórumokon, első vagy utolsó szerzős publikációk a vezető ML- és klinikai MI-folyóiratokban
• ▹Bevált gyakorlatok kialakítása, a csapatkultúra formálása
• ▹Junior kutatók mentorálása

Elvárások

• ▹PhD kvantitatív területen, például számítástechnika, bioinformatika, számítási biológia, matematika, fizika, biofizika, számítási idegtudomány vagy biostatisztika
• ▹4-8 év doktorátuson kívüli szakmai tapasztalat mérhető eredményekkel (pl. szállított modellek, szabadalmak, SaMD-bejelentések, első szerzős publikációk, nyílt forráskódú projektek, szabványügyi részvétel)
• ▹Kiemelkedő szoftverfejlesztési és programozási készség élvonalbeli kódoló ágens keretrendszerek használatával
• ▹Mély biológiai szakismeret egy vagy több területen
• ▹Gépi tanulási alapok mély ismerete, szakértelem legalább egy területen: foundation modellek tanítása és hangolása, Bayes-i következtetés, időbeli modellezés, multimodális integráció és modellezés, modellkalibráció és doménadaptáció, adatközpontú MI (adathalmazok beszerzése, létrehozása és gondozása tanításhoz, utótanításhoz, benchmarkhoz), modell- és adatértékelés, modellértelmezhetőség, modell-utótanítás és alignment

Előny

• ▹A számítástechnikai hardver ismerete
• ▹Mély szakértelem a rákbiológiában
• ▹Molekuláris (DNS, RNS, fehérje), képalkotó (radiológia, mikroszkópia) vagy klinikai szöveges (EHR, klinikai jegyzetek) biológiai adatokkal szerzett tapasztalat
• ▹Gyógyszerfejlesztési tapasztalat: klinikai vizsgálat tervezése, biomarker-felfedezés, kísérő diagnosztika, adagolás, biztonság, végpontok, szabályozás
• ▹Tapasztalat több telephelyet és terápiás területet átfogó, mátrixszervezetű globális cégnél

Soft skillek

A munkáltatóról

Az AstraZeneca AI Science & Innovation (AISI) csapata az AstraZeneca K+F mesterségesintelligencia-átalakításának középpontjában áll: olyan MI-modelleket és ágenseket épít, vásárol és szállít, amelyek a felfedezéstől a klinikai fejlesztésig javítják a pipeline eredményeit.