岗位职责
研究领域： 医学多模态学习 项目简介： 乳腺癌已成为全球女性发病率最高的恶性肿瘤。在临床实践中，新辅助治疗（Neoadjuvant Therapy, NAT）已成为早期及局部晚期乳腺癌的标准治疗路径之一。NAT 的核心目标是降期保乳及通过体内药敏测试筛选敏感药物。其中，病理完全缓解（pCR）是评估 NAT 疗效的“金标准”，与患者的长期无病生存期（EFS）和总生存期（OS）高度相关。 然而，当前的临床决策面临严峻挑战：
- 传统评估滞后且不准：基于 RECIST
- 1 标准的形态学评估难以区分肿瘤残留与纤维化，且无法捕捉微小残留病灶（MRD）。
- 有创活检存在局限：穿刺活检具有取样偏倚，难以反映肿瘤的空间异质性；且 HER
- Ki67 等关键分子标志物在活检与术后标本间常存在不一致，导致治疗方案偏差。
- 多源数据利用率低：临床中存在海量的 MRI、钼靶、超声影像以及病理、基因报告，但这些数据往往是割裂的，缺乏统一的计算框架将“多模态数据”转化为“精准决策”。 随着人工智能从单一感知向智能体（Agent）演进，构建一个能够像资深多学科会诊（MDT）专家一样，具备全模态感知能力和逻辑推理能力的决策系统，成为解决上述痛点的关键。
职位要求
研究领域： -目前正在攻读计算机科学或相关STEM领域的学士,硕士或博士学位 -掌握计算机视觉领域的基础理论和方法，多模态数据处理算法，熟悉PyTorch等主流深度学习框架 -具有上述研究领域的相关经验,包括行业经验或作为参与实验室研究 优先录用： -在医学影像、人工智能或相关领域的顶级期刊（如 Nature系列子刊, Lancet Digital Health, IEEE TMI, MedIA 等）或会议（如 MICCAI, CVPR, ICCV, ICML, ICLR, NeurIPS等）上发表过论文 -具备分析拆解临床实际问题的能力，有良好的自我学习能力及自驱力，对前沿领域有强探索欲 -至少3个月的全职工作
