Becario/a de ingeniería de IA/ML en imagen médica

Sobre DocOrbit

DocOrbit es un servicio de segunda opinión radiológica potenciado por IA. Pacientes y clínicas asociadas nos envían resonancias, TAC, radiografías, ecografías, mamografías y PET-TC. Orbius, nuestro agente de radiología con IA, lee el estudio DICOM completo y redacta un borrador de informe estructurado que un radiólogo especialista puede revisar y firmar. Las clínicas también conectan su PACS directamente con nosotros, así que los estudios llegan tal como los generan los hospitales.

El puesto

Como becario/a de ingeniería de IA/ML, trabajará con modelos de imagen desde el archivo DICOM hasta el informe. Son unas prácticas de ingeniería aplicada, no de investigación: el éxito es un modelo que funciona de forma fiable con datos clínicos reales y un borrador en el que confían nuestros radiólogos. Desde las primeras semanas se hará cargo de una parte real de nuestro flujo de imagen y la llevará a producción, con los fundadores a su lado.

Qué hará

• Construir y robustecer los flujos que convierten estudios DICOM en bruto en entradas listas para el modelo: selección de series, orientación, ajuste de ventana y remuestreo en TAC, RM, radiografía, ecografía y PET-TC
• Evaluar, adaptar y desplegar modelos de imagen, de la segmentación a la detección de hallazgos, e incorporar sus resultados a los informes que redacta Orbius
• Combinar modelos de imagen clásicos con grandes modelos de visión y lenguaje, para que cada borrador se apoye en hallazgos medibles
• Medir los modelos frente a un conjunto de referencia de estudios firmados por radiólogos, detectar regresiones antes de publicarlas y convertir los comentarios de los radiólogos en mejoras
• Operar modelos en producción sobre Kubernetes: empaquetarlos, ajustarlos a recursos de CPU y memoria muy limitados y supervisar su latencia y sus errores
• Trabajar con nuestras integraciones PACS (DICOMweb y DIMSE) para que los modelos actúen donde las clínicas ya envían sus estudios
• Tratar los datos de pacientes con cuidado: la anonimización, el control de accesos y los registros de auditoría forman parte del trabajo

Qué buscamos

• Estudiante de último curso, de máster o de doctorado, o titulado/a al inicio de su carrera, en informática, ingeniería biomédica, ingeniería eléctrica, física o un campo afín
• Buen nivel de Python y experiencia práctica con PyTorch, adquiridos en sus estudios, en un trabajo de fin de grado o máster o en proyectos propios
• Experiencia práctica con imágenes médicas, idealmente con series DICOM reales y no solo con conjuntos de datos PNG depurados
• Mentalidad práctica: prefiere un modelo robusto en producción a un buen puesto en una tabla de clasificación
• Soltura con Git y la línea de comandos de Linux
• Inglés fluido, escrito y hablado

Se valorará

• Experiencia con bibliotecas de imagen médica como pydicom, MONAI, SimpleITK o nibabel
• Segmentación con nnU-Net, TotalSegmentator o herramientas similares
• Docker, API o despliegue en la nube, en un proyecto propio o en unas prácticas anteriores
• LLM o modelos de visión y lenguaje aplicados a imágenes o textos clínicos

Qué aprenderá

Estas prácticas están pensadas para aprender. Aprenderá haciendo, con datos clínicos reales y con los fundadores como mentores.

• Cómo funciona la IA de imagen médica de principio a fin, desde un estudio DICOM en bruto hasta el informe que firma un radiólogo
• Cómo evaluar modelos frente a estudios firmados por radiólogos, no solo con puntuaciones de referencia, y detectar regresiones antes de publicarlas
• Cómo llevar un modelo del notebook a producción: empaquetado, Kubernetes, recursos de CPU y memoria muy limitados y monitorización
• Cómo almacenan y envían imágenes los hospitales y las clínicas: PACS, DICOMweb y DIMSE
• Cómo tratar los datos de pacientes con responsabilidad: anonimización, control de accesos y normas como el RGPD, la HIPAA o el MDR de la UE
• Responsabilidad real desde el primer día, trabajando directamente con los fundadores y con los radiólogos que usan lo que construye