Machine Learning Engineer – Medical Imaging AI – Medizinische KI-Entwicklung – Arbeitsgruppe Machine Learning

...sind Sie mittendrin

Sie wollen, dass Ihre Modelle nicht in einer Publikation enden, sondern in der Klinik ankommen?

Dann sind Sie bei uns richtig. Wir suchen Machine Learning Engineers für die Arbeitsgruppe Machine Learning an der Universitätsmedizin Frankfurt – Menschen, die medizinische KI nicht nur spannend finden, sondern mit Überzeugung vorantreiben.

Im Mittelpunkt steht das BMBF-geförderte Projekt OMI (Open Medical Inference), das im Rahmen der Medizininformatik-Initiative eine offene Plattform entwickelt, um KI-Modelle standortübergreifend und interoperabel in der klinischen Radiologie nutzbar zu machen – über offene Protokolle und Standards (FHIR, DICOMweb), ohne dass jede Klinik Modelle selbst betreiben muss. Sie entwickeln produktionsreife KI-Modelle für die medizinische Bildgebung, die genau dort ankommen, wo sie gebraucht werden.

Ergänzend arbeiten wir im RACOON-Netzwerk ( ) mit 38 Universitätskliniken. Sie übernehmen Verantwortung für End-to-End-ML-Pipelines und haben die Freiheit, Lösungen zu entwickeln, die sich zu wettbewerbsfähigen KI-Anwendungen weiterentwickeln können. Wichtiger als die Zahl Ihrer Berufsjahre sind uns Vielseitigkeit, Eigenantrieb und die Bereitschaft, Probleme direkt anzugehen.

Ob Sie gerade Ihren Abschluss gemacht haben und Ihre ersten produktiven Pipelines bauen wollen oder bereits End-to-End-Verantwortung getragen haben: Wer eigenständig arbeitet, zuverlässig liefert und sich in neue Themen einarbeitet, findet bei uns den Raum, schnell zu wachsen. Erfahrene Teammitglieder und ein kurzer Draht zur klinischen Forschung sorgen dafür, dass Sie dabei nicht allein stehen. Die Stelle ist zunächst auf 12 Monate befristet. Eine Promotion ist nach individueller Absprache möglich.

Ihre Aufgaben:

End-to-End-ML-Entwicklung

Entwicklung, Training, Validierung und Deployment von Deep-Learning-Modellen für die medizinische Bildanalyse (primär CT und MRT)

Arbeit mit dem aktuellen Methodenspektrum – von 2D-/3D-CNNs und der U-Net-Familie über Transformer-Architekturen bis zu Foundation Models und Vision-Language-Ansätzen; Sie wählen das passende Werkzeug für die jeweilige klinische Fragestellung

Adaption und Fine-Tuning vortrainierter Foundation Models für Segmentierung und Klassifikation, statt jedes Modell von Grund auf neu zu trainieren

Verantwortung für die gesamte Pipeline: von der DICOM-Datenaufnahme bis zum containerisierten Deployment – in dem Umfang, den Sie übernehmen möchten

Rapid Prototyping: der schnelle Weg vom klinischen Problem zum funktionierenden Prototyp

Performance-Optimierung für Genauigkeit, Inferenzgeschwindigkeit und Recheneffizienz

Infrastruktur, MLOps & Plattformentwicklung

Einrichtung und Betrieb von Trainingsumgebungen: Konfiguration von GPU-Servern und Management von Compute-Ressourcen

Aufbau wiederverwendbarer ML-Infrastruktur: modulare Pipelines, Data Loader, Training-Frameworks

Reproduzierbare Workflows mit modernem MLOps-Tooling: Experiment-Tracking (z. B. MLflow, Weights & Biases), Daten- und Modellversionierung (z. B. DVC), Orchestrierung (z. B. Kubeflow, Airflow, Prefect)

Deployment-Systeme: Inference Services (z. B. FastAPI, KServe/BentoML), APIs und PACS-Integration, containerisiert über Docker/Kubernetes

Monitoring von Modellen im Betrieb, einschließlich Erkennung von Daten- und Modell-Drift

Medical Data Engineering & Compliance

DICOM/FHIR-Datenverarbeitung: robuste Parser, Konverter und Qualitätskontrollsysteme

Data Versioning und Lineage für reproduzierbare Experimente

Priva