Data scientist — удалённая работа в Москве

Разработка с нуля. 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.