Researcher - Science

Posizione post-doc in ambito Multimodal e Generative AI per Imaging Biomedico e Genetica

Sede di lavoro: Genova

Per l'Istituto Italiano di Tecnologia (IIT) cerchiamo un/una PhD con competenze avanzate in machine learning e computer vision, da inserire nel team di ricerca AIGO per lavorare su modelli multimodali e generativi per l'imaging biomedico, con l'obiettivo di predire informazioni genetiche e di rischio clinico a partire da immagini mediche.

Continua a leggere l'annuncio se:

• Hai un PhD in AI, ML, Computer Vision, Informatica, Ingegneria, Fisica, Matematica o discipline affine
• Hai maturato una solida esperienza di ricerca in Machine Learning, Deep Learning e Computer Vision, preferibilmente applicata all’imaging medico, biomedico o ad altri ambiti scientifici
• Hai lavorato su modelli multimodali o approcci capaci di integrare immagini con dati strutturati, biologici, clinici o genetici
• Hai già pubblicazioni su riviste e conferenze scientifiche di ML, DL e Computer Vision

Non è l'annuncio per te se:

• Cerchi un posto a tempo indeterminato
• Vieni dalla genetica o dalla genomica, ma non hai mai lavorato con modelli di deep learning
• Hai utilizzato modelli di Machine Learning o Deep Learning prevalentemente come strumenti già disponibili, senza occuparti direttamente del loro sviluppo, addestramento o adattamento a problemi scientifici complessi

Per chi ti stai candidando

Le persone selezionate lavoreranno all'interno dell'Istituto Italiano di Tecnologia (IIT), nato con lo scopo di promuovere lo sviluppo tecnologico del nostro Paese e l'alta formazione tecnologica, favorendo così lo sviluppo del sistema produttivo nazionale.

La figura selezionata entrerà a far parte del gruppo di ricerca Artificial Intelligence for Good (AIGO), coordinato dal Prof. Vittorio Murino, punto di riferimento a livello internazionale nel campo dell'Intelligenza Artificiale.

Il gruppo, composto ormai da circa 25 persone tra dottorandi, post-doc e ricercatori, si occupa dello studio di modelli di apprendimento in presenza di dati imperfetti, in particolare in scenari multimodali, affrontando contesti di apprendimento non supervisionato, semi-supervisionato, auto-supervisionato, con dati etichettati in modo debole o rumoroso, sbilanciati o distorti. Le aree di ricerca comprendono inoltre domain adaptation e generalization, few/zero-shot learning, continual learning e learning con dati biasati.

Il gruppo lavora anche su modelli generativi con particolare attenzione ai più recenti foundation models multimodali, inclusi i Large Language Models (LLM) e i Vision and Language Models (VLM). Ulteriori linee di ricerca riguardano lightweight machine learning per sviluppare tecnologie AI a basso consumo energetico, anche per applicazioni su dispositivi edge (es. robot).

Coerentemente con l’attenzione posta sul benessere delle persone, AIGO intende progettare fin dalle fondamenta metodi AI che incorporino aspetti etici, di privacy e fairness, nonché robustezza, orientandosi verso tecniche di deep learning che siano spiegabili, affidabili e trasparenti. Le principali applicazioni riguardano l’ambito biomedicale, biologico, neuroscientifico e sanitario in generale

AIGO beneficia inoltre della collaborazione con numerose università e centri di ricerca internazionali, in particolare con le università più vicine di Genova e Verona.

Il progetto

La posizione è finanziata da Dompé Farmaceutici nell’ambito del progetto AI Driven Prediction of Glaucoma Linked Genetic Variants from OCT Retinal Imaging.

Il progetto intende esplorare la possibilità di utilizzare immagini retiniche OCT e dati biomedici eterogenei per ricavare informazioni predittive relative a fattori genetici e al rischio di sviluppare il glaucoma.

L’obiettivo della ricerca sarà sviluppare modelli capaci di apprendere dalle immagini rappresentazioni del fenotipo che possano essere utilizzate come indicatori predittivi di fattori genotipici sottostanti.

Il progetto mira quindi ad andare oltre gli approcci tradizionalmente basati sull’analisi delle associazioni statistiche, facendo leva sulle capacità del Deep Learning di apprendere da dati di imaging ad alta dimensionalità e da informazioni conte