Yapay Zekâ/ML Mühendisliği Stajyeri, Tıbbi Görüntüleme

DocOrbit hakkında

DocOrbit, yapay zekâ destekli bir radyoloji ikinci görüş hizmetidir. Hastalar ve iş ortağı klinikler bize MR, BT, röntgen, ultrason, mamografi ve PET-BT tetkikleri gönderir. Yapay zekâ radyoloji ajanımız Orbius, DICOM tetkikinin tamamını okuyarak yapılandırılmış bir rapor taslağı hazırlar; sertifikalı bir radyolog bu taslağı inceleyip imzalayabilir. Klinikler PACS sistemlerini doğrudan bize bağladığı için tetkikler, hastanelerin ürettiği hâliyle gelir.

Rol

Yapay Zekâ/ML Mühendisliği Stajyeri olarak DICOM dosyasından rapora kadar görüntüleme modelleri üzerinde çalışacaksınız. Bu bir araştırma stajı değil, uygulamalı bir mühendislik stajı: başarı, gerçek klinik verisinde güvenilir şekilde çalışan bir model ve radyologlarımızın güvendiği bir rapor taslağı demek. İlk haftalardan itibaren görüntüleme pipeline'ımızın gerçek bir parçasını sahiplenip canlıya alacaksınız; kurucular her adımda yanınızda olacak.

Neler yapacaksınız

• Ham DICOM tetkiklerini modele hazır girdiye dönüştüren pipeline'ları geliştirmek ve sağlamlaştırmak: BT, MR, röntgen, ultrason ve PET-BT'de seri seçimi, yönelim, pencereleme ve yeniden örnekleme
• Segmentasyondan bulgu tespitine kadar görüntüleme modellerini değerlendirmek, uyarlamak ve canlıya almak; sonuçlarını Orbius'un hazırladığı raporlara aktarmak
• Her rapor taslağının ölçülebilir bulgulara dayanması için klasik görüntüleme modellerini büyük görsel-dil modelleriyle birleştirmek
• Modelleri radyologların imzaladığı tetkiklerden oluşan bir altın standart sete karşı ölçmek, gerilemeleri canlıya çıkmadan yakalamak ve radyolog geri bildirimlerini iyileştirmelere dönüştürmek
• Modelleri Kubernetes üzerinde canlı ortamda çalıştırmak: paketlemek, sıkı CPU ve bellek sınırlarına sığdırmak, hızı ve hataları izlemek
• PACS entegrasyonlarımızla (DICOMweb ve DIMSE) çalışarak modellerin, kliniklerin tetkikleri zaten gönderdiği noktada devreye girmesini sağlamak
• Hasta verisini özenle ele almak: anonimleştirme, erişim kontrolü ve denetim kayıtları işin doğal bir parçası

Aradığımız özellikler

• Bilgisayar mühendisliği, biyomedikal mühendisliği, elektrik-elektronik mühendisliği, fizik veya ilgili bir alanda son sınıf, yüksek lisans ya da doktora öğrencisi veya kariyerinin başında bir mezun olmak
• Derslerden, bir tezden ya da kendi projelerinizden gelen sağlam Python ve uygulamalı PyTorch bilgisi
• Tıbbi görüntüler üzerinde uygulamalı deneyim; tercihen yalnızca derlenmiş PNG veri setleri değil, gerçek DICOM serileri
• Uygulamacı bir bakış: bir sıralama tablosunda yükselmek yerine sağlam bir modeli canlıya almayı tercih edersiniz
• Git ve Linux komut satırında rahat çalışabilmek
• Yazılı ve sözlü olarak akıcı İngilizce

Artı olarak

• pydicom, MONAI, SimpleITK veya nibabel gibi tıbbi görüntüleme kütüphaneleriyle deneyim
• nnU-Net, TotalSegmentator veya benzerleriyle segmentasyon deneyimi
• Bir projede ya da önceki bir stajda Docker, API veya bulutta canlıya alma deneyimi
• Büyük dil modellerini ya da görsel-dil modellerini görüntüler veya klinik metinler üzerinde kullanmış olmak

Neler öğreneceksiniz

Bu staj öğrenmek üzerine kurulu. Gerçek klinik veriyle, işin içinde ve kurucuların mentorluğunda öğreneceksiniz.

• Tıbbi görüntülemede yapay zekânın, ham bir DICOM tetkikinden radyoloğun imzaladığı rapora kadar uçtan uca nasıl çalıştığı
• Modellerin yalnızca kıyaslama skorlarıyla değil, radyologların imzaladığı tetkiklere karşı nasıl değerlendirildiği ve gerilemelerin canlıya çıkmadan nasıl yakalandığı
• Bir modelin notebook'tan canlıya nasıl taşındığı: paketleme, Kubernetes, sıkı CPU ve bellek sınırları ve izleme
• Hastane ve kliniklerin görüntüleri nasıl sakladığı ve gönderdiği: PACS, DICOMweb ve DIMSE
• Hasta verisinin sorumlu biçimde nasıl ele alındığı: anonimleştirme, erişim kontrolü ve KVKK, GDPR, HIPAA ile AB Tıbbi Cihaz Tüzüğü (MDR) gibi kurallar
• İlk günden gerçek sorumluluk; kurucularla ve geliştirdiklerinizi kullanan radyologlarla doğrudan çalışma deneyimi