研究型实习生-面向乳腺癌精准诊疗的多模态融合感知与决策规划智能体系统

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：

1. 传统评估滞后且不准：基于 RECIST 1.1 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）。
2. 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 HER2、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。
3. 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。

任职要求

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

特色标签

AI智能体、Python、乳腺X光检查、乳腺X线摄影、人工智能代理、决策智能体、分子病理报告、医学多模态融合、医学跨模态学习、医用超声影像、医疗、发表算法相关优秀论文、图像、图像算法、基因检测报告、多学科会诊、多学科联合诊疗、多模态医学分析、多模态算法、大模型算法、新辅助疗法、智能体、术前系统治疗、机器学习、核磁共振影像、深度学习、病理学分析、病理学完全缓解、病理完全缓解、磁共振成像、组织病理诊断、超声检查