Должность: Старший специалист по данным, медицинская визуализация
Местоположение: Сан-Франциско / Сан-Франциско, Калифорния
Heartflow — это компания-разработчик медицинских технологий, которая с помощью передовых технологий совершенствует диагностику и лечение ишемической болезни сердца, основной причины смерти во всем мире. Флагманский продукт — неинвазивный тест на основе ИИ для оценки сердечной функции, соответствующий рекомендациям ACC/AHA по боли в груди, — называемый Heartflow FFR CT Analysis — представляет собой цветную 3D-модель коронарных артерий пациента, показывающую, как сужения влияют на кровоток к сердцу. Heartflow — это первое неинвазивное комплексное решение для ухода за сердцем на основе ИИ на всем пути CCTA, которое помогает клиницистам выявлять стенозы в коронарных артериях (RoadMap™Analysis), оценивать коронарный кровоток (FFR CT Analysis) и характеризовать/количественно оценивать коронарный атеросклероз (Plaque Analysis). Наш портфель продуктов растет, и вместе с ним растет наша команда; присоединяйтесь к нам, чтобы помочь революционизировать прецизионную кардиопомощь.
Heartflow — публичная компания (HTFL), получившая международное признание за выдающиеся успехи в области инноваций в здравоохранении, поддерживаемая медицинскими обществами по всему миру, получившая разрешение на использование в США, Великобритании, Европе, Японии и Канаде, и использовавшаяся для более чем 750 000 пациентов по всему миру.
Мы ищем старшего специалиста по данным с прочной основой как в статистическом анализе данных, так и в глубоком обучении для продвижения наших инициатив в области ИИ, ориентированных на данные. На этой должности вы будете находиться на переднем крае понимания того, как различные условия реальной визуализации и технические переменные влияют на внешний вид изображения и, в свою очередь, на точность и воспроизводимость алгоритмов глубокого обучения.
Вы будете отвечать за аналитический конвейер для количественной оценки этих эффектов и исследования методов, основанных на данных, для их решения. Вы будете работать в кросс-функциональных командах, чтобы преобразовывать эти идеи в разработку алгоритмов последующих этапов и принятие продуктовых решений, включая разработку протоколов аннотации для обеспечения высококачественных аннотаций для обучения и проверки. Если вас привлекает получение информации из больших и «грязных» реальных данных визуализации, а также передача и кристаллизация решений на основе этой информации, эта роль для вас.
Ключевые обязанности
- Инструменты и конвейеры: Создание надежных, воспроизводимых аналитических конвейеров и визуализаций для данных в масштабе населения, чтобы характеризовать распределение наборов данных и уязвимости моделей у различных групп пациентов.
- Коррекция и гармонизация: Исследование, разработка и проверка методов для гармонизации сложных факторов, связанных с данными, и вариаций изображений.
- Глубокое обучение, ориентированное на данные: Преобразование выводов о вариативности данных и поведении моделей в действенные требования к курации данных, стратегии устойчивости во время обучения и архитектурные рекомендации для разработки алгоритмов последующих этапов.
- Курация и аннотация данных: Разработка протоколов аннотации для обучения и проверки алгоритмов для внутренней разработки продуктов и подачи заявок в FDA.
- Кросс-функциональное сотрудничество и коммуникация: Партнерство с научными сотрудниками, инженерами машинного обучения, системными инженерами, инженерами процессов, продуктовыми и регуляторными командами. Получение и представление четких аналитических данных из «грязных» данных для принятия решений и предоставление артефактов, используемых другими функциями.
Требуемые квалификации
- Образование: Степень магистра или доктора наук в области науки о данных, компьютерных наук, анализа медицинских изображений, статистики, биомедицинской инженерии или смежной количественной области.
- Опыт: 5+ лет (или 3+ года с докторской степенью) промышленного опыта в области науки о данных, машинного обучения или анализа изображений.
- Измерительная наука: Рабочее владение статистикой воспроизводимости и согласованности — компоненты дисперсии, Gage R&R, внутриклассовая корреляция, коэффициенты повторяемости и воспроизводимости, Бланд-Альман — и способность отличать устраняемую систематическую ошибку от неустранимой вариативности.
- Экспертиза в области медицинской визуализации: Глубокое понимание структур данных медицинских изображений и физических/клинических реалий визуализации. Знакомство с инструментами обработки изображений и построением алгоритмов для данных медицинской визуализации.
- Анализ данных и статистика: Экспертное владение Python и экосистемами статистического анализа данных (например, pandas, scipy, statsmodels, seaborn/matplotlib). Подтвержденная способность работать с большими, сложными и «грязными» наборами данных.
- Опыт глубокого обучения: Практический опыт разработки или тонкой настройки алгоритмов глубокого обучения (предпочтительно с использованием PyTorch) для задач компьютерного зрения (сегментация, классификация, обнаружение), примененных к медицинским изображениям.
- Рабочий процесс с поддержкой ИИ: Подтвержденное владение современными агентными инструментами и LLM (например, GitHub Copilot, Gemini, Claude) в качестве ежедневного множителя силы для ускорения разработки программного обеспечения, быстрого прототипирования решений для данных и создания воспроизводимых конвейеров.
- Коммуникация: Исключительная способность преобразовывать сложные многомерные анализы данных в четкие, стратегические выводы для кросс-функциональных заинтересованных сторон.
Предпочтительные квалификации
- Опубликованные исследования, конкретно связанные с обобщением домена, гармонизацией изображений или обнаружением выбросов (OOD) в медицинской визуализации.
- Опыт работы с большими мультибрендовыми наборами данных КТ-визуализации с пониманием протоколов получения и реконструкции.
- Подтвержденный опыт диагностики недостатков производительности алгоритмов, связанных с данными и аннотациями, и разработка решений, основанных на данных.
- Опыт работы с масштабным запросом данных и облачным хранилищем (например, AWS, SQL).
- Опыт разработки продуктов SaMD и участия в подаче регуляторных документов.
- Опыт работы с биостатистикой для поддержки подачи заявок в FDA.
Разумная оценка диапазона базовой компенсации составляет от 170 000 до 240 000 долларов США, плюс бонус и опционы.
