Ведущий разработчик моделей медицинского ИИ

О проекте
Мы создаём сервис анализа маммографических изображений (DICOM) на основе модели классификации, обученной в федеративной постановке на аннотированных данных партнёров. Сервис предназначен для повышения качества и доступности маммографического скрининга в РФ и станет основой для дальнейшего развития федеративного обучения в медицинских ИИ-приложениях.
После предыдущего НИР подтверждена возможность адаптации модели классификации маммограмм к существующим фреймворкам FL. На текущем этапе нам нужен специалист, который сможет довести модель до промышленного уровня качества, провести федеративное обучение и создать полноценный работающий сервис с Grad-CAM визуализациями.
✅ Обязанности
1. Модель и федеративное обучение
Обучение модели классификации маммограмм на 2 класса (BI-RADS 1–2 / 4–5) в федеративной постановке;
Подбор параметров федеративного обучения:
— баланс классов клиентов,
— количество раундов,
— алгоритм агрегации весов,
— количество локальных эпох,
— размер батча;
Работа с аннотированными данными на инфраструктуре заказчика;
Использование открытых датасетов (VinDr, INBreast) и подготовка данных согласно требованиям ТЗ;
Обеспечение достижения минимальных метрик:
— sensitivity ≥ 0.82
— specificity ≥ 0.82
— accuracy ≥ 0.82
— ROC AUC ≥ 0.9
Оптимизация модели для скорости работы ≤ 2 секунд на сервере с GPU Nvidia L40.
2. Разработка экспериментального сервиса
Создание рабочего сервиса классификации маммограмм на основе обученной модели;
Реализация поддержки формата DICOM, проекций CC и MLO, определение laterality;
Реализация Grad-CAM тепловых карт;
Создание пользовательского интерфейса для загрузки изображений и отображения результатов.
3. Разработка ПО и скриптов
Подготовка программных модулей и скриптов (.py / .ipynb) для:
— формирования confusion matrix,
— формирования реестра результатов анализа (дата, ID пациента, исследование, класс и вероятность, время обработки),
— обработки директории пациентов с 4 проекциями,
— фильтрации данных по временным диапазонам.
4. Документация
Участие в подготовке полного комплекта документации:
ТЗ на разработку сервиса;
Описание ПО;
Руководство оператора;
Программа и методика тестирования;
Протоколы и акты тестирования;
Акт создания экспериментального образца.
5. Поддержка
Участие в исправлении ошибок сервиса в течение 12 месяцев после завершения проекта.
✅ Требования
Обязательные
Уверенный опыт разработки моделей компьютерного зрения (CNN, medical imaging);
Опыт работы с медицинскими изображениями, желательно DICOM;
Опыт работы с фреймворками федеративного обучения (например: Flower, FedML, PySyft, FederatedScope);
Умение достигать целевых метрик на реальных и открытых медицинских датасетах;
Отличные знания PyTorch / TensorFlow;
Опыт оптимизации моделей для inference на GPU;
Умение реализовывать Grad-CAM;
Опыт разработки backend-части сервисов (FastAPI / Flask);
Умение оформлять НИОКР-документацию.
Желательно
Опыт работы в медтехе, радиологии, скрининговых системах;
Знание BI-RADS;
Опыт интеграции медицинских ИИ-моделей в клинические сервисы;
Опыт работы с VinDr, INBreast и другими наборами маммограмм;
Знание требований по лицензированию ИИ-ПО.