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 (<https://racoon.network>) 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-EntwicklungEntwicklung, 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 FragestellungAdaption und Fine-Tuning vortrainierter Foundation Models für Segmentierung und Klassifikation, statt jedes Modell von Grund auf neu zu trainierenVerantwortung für die gesamte Pipeline: von der DICOM-Datenaufnahme bis zum containerisierten Deployment – in dem Umfang, den Sie übernehmen möchtenRapid Prototyping: der schnelle Weg vom klinischen Problem zum funktionierenden PrototypPerformance-Optimierung für Genauigkeit, Inferenzgeschwindigkeit und RecheneffizienzInfrastruktur, MLOps & PlattformentwicklungEinrichtung und Betrieb von Trainingsumgebungen: Konfiguration von GPU-Servern und Management von Compute-RessourcenAufbau wiederverwendbarer ML-Infrastruktur: modulare Pipelines, Data Loader, Training-FrameworksReproduzierbare 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/KubernetesMonitoring von Modellen im Betrieb, einschließlich Erkennung von Daten- und Modell-DriftMedical Data Engineering & ComplianceDICOM/FHIR-Datenverarbeitung: robuste Parser, Konverter und QualitätskontrollsystemeData Versioning und Lineage für reproduzierbare ExperimentePrivacy-Preserving Workflows konform mit DSGVO, deutschem Gesundheitsdatenschutzrecht (GDNG) und den Anforderungen des EU AI ActNachvollziehbarkeit, Audit-Trails und Human-in-the-Loop-Prinzipien für klinisch eingesetzte ModelleMulti-institutionelle Datenintegration über die 38 RACOON-PartnerinstitutionenForschungsbeitragPublikation in Top-Venues für medizinische KI (RSNA, ECR, MICCAI, Medical Image Analysis)Mitarbeit in kollaborativen Forschungsprojekten (RACOON, COMPARE, ENRICH)Promotion nach individueller Absprache möglich

...ist Ihr Profil gefragt

Wir bewerten Bewerbungen nach Potenzial und Antrieb, nicht nach einer Checkliste. Auch wenn Sie nicht jeden Punkt erfüllen, aber Freude daran haben, sich einzuarbeiten: Bewerben Sie sich.Ausbildung & technischer HintergrundAbgeschlossenes Studium (Bachelor oder Master) in (Medizin-)Informatik, Physik, Mathematik, Data Science oder vergleichbarSolide Machine-Learning-Kenntnisse und Erfahrung im Training neuronaler Netze – aus Studium, eigenen Projekten oder BerufSichere Python-Programmierung: PyTorch oder TensorFlow, NumPy, scikit-learn, pandasHands-on-FähigkeitenErfahrung im Training von CNNs, Vision Transformern oder vergleichbaren Architekturen – ob im Studium, in Praktika, eigenen Projekten oder beruflichLinux-Grundkenntnisse (oder klare Lernbereitschaft): Shell-Scripting, SSH, Dateisysteme, Prozess-ManagementVertrautheit mit Git-Workflows; Code-Review-Praktiken und CI/CD-Grundlagen sind ein PlusIdeal, aber kein MussErfahrung mit Foundation Models und prompt-basierter Segmentierung (z. B. SAM/MedSAM2, SAM-Med3D, VISTA3D, nnU-Net)Praxis mit MLOps-Tooling (MLflow, W&B, DVC, Kubeflow) und containerisiertem Deployment (Docker, Kubernetes)Vertrautheit mit dem PyTorch-Ökosystem, MONAI oder Hugging FaceKenntnisse in 3D-/volumetrischer Bildverarbeitung und Domain-Generalisierung über Scanner und Standorte hinwegVerständnis für regulatorische Rahmenbedingungen klinischer KI (EU AI Act, MDR)Was Sie ausmachtEigenantrieb: Sie erkennen Probleme selbst, entwickeln Lösungen und setzen sie um – auch ohne VorgabeVielseitigkeit und Hands-on-Mentalität: Sie arbeiten sich in unbekannte Themen ein und packen anZuverlässigkeit: Auf Ihre Zusagen ist VerlassPragmatismus: Sie verbinden Forschungsqualität mit dem Anspruch, funktionierende Systeme zu liefernEchtes Interesse an KI im Gesundheitswesen als Antrieb für Ihre ArbeitSehr gute Deutsch- und gute EnglischkenntnisseFür erfahrene Kandidatinnen und Kandidaten: Wenn Sie bereits End-to-End-Pipelines verantwortet, ML-Infrastruktur aufgebaut, Foundation Models adaptiert oder in Top-Venues publiziert haben, bietet die Position Raum für eine Senior-Rolle mit entsprechendem Gestaltungsspielraum und Mentoring-Aufgaben.Aufgrund gesetzlicher Bestimmungen ist ein gültiger Nachweis der Masernimmunität / Masernschutzimpfung notwendig.

...wird Ihnen viel geboten

Tarifvertrag TV-UKF30 Tage Urlaub, 38,5 Stunden / Woche, Jahressonderzahlung, betriebliche AltersvorsorgeKostenloses Landesticket HessenEchte Ownership: Ihre Modelle kommen in klinischen Workflows an, nicht in der SchubladeArbeit am aktuellen Stand der Forschung: Foundation Models, multizentrische Daten, reale klinische TranslationStrukturierte Einarbeitung und Mentoring durch erfahrene TeammitgliederUniklinik-Campus, Mensa, CafésWork-Life-Balance, TeilzeitmöglichkeitenGesundheitsförderungCorporate Benefits: Rabatte & Vergünstigungen bei beliebten Marken für unsere MitarbeitendenKitaplätze, Ferienbetreuung (Infos beim Familienservice) Einblicke: Instagram, YouTube, LinkedInFAQ´s für neue Beschäftigte

Werden Sie jetzt Teil unseres Teams!

Kontakt: Dr. Andreas BucherMail: <[email hidden]> Bewerbungsfrist: 25.09.2026 Geforderte Unterlagen: Lebenslauf, Anschreiben inklusive Motivation (und ggf. relevanter Vorerfahrung), Arbeitszeugnisse und Zertifikate von Abschlüssen und ggf. Zusatzqualifikationen Wir richten uns mit dieser Ausschreibung an Bewerbende jeden Geschlechts. Frauen sind in diesen Positionen am Universitätsklinikum Frankfurt unterrepräsentiert. Daher sind Bewerbungen von Frauen besonders willkommen. Schwerbehinderte Bewerbende werden bei gleicher persönlicher und fachlicher Eignung bevorzugt berücksichtigt.