Computer vision engineer in 3D medical imaging

Remedy Logic разрабатывает RAI — AI-ассистента, созданного вместе с американскими радиологами, для чтения МРТ позвоночника. RAI автоматизирует чтение исследования целиком: разметку и сегментацию анатомии, количественные измерения, поиск патологий и случайных находок, черновик заключения.

Это hands-on позиция: помимо обучения новых моделей, заметная часть работы — поддержка и доработка CV-части уже работающего продукта. Разрабатывать 3D-модели для объёмных МРТ-данных: в основном 3D-классификация и сегментация анатомии и патологий позвоночника. Дообучать предобученные бэкбоны (включая крупные vision-энкодеры) под конкретные патологии и сравнивать их с task-specific бейзлайнами. Строить бизнес-логику поверх выходов моделей: постобработка масок сегментации, геометрические измерения, объединение предсказаний нескольких моделей в согласованные клинические находки.

Решать проблемы реальных данных: несогласованная разметка от разных врачей, сильный дисбаланс классов, редкие патологии, разные томографы и протоколы. Доставлять решения в готовом к интеграции виде: упаковка по принятым в продукте правилам и стандартам, валидация на отложенных клинических данных, разбор ошибок. Разбирать и исправлять баги в CV-части продукта, корректировать уже существующие фичи и дообучать их модели по обратной связи от врачей и продуктовой команды.

Выстраивать строгую оценку качества: корректные сплиты, калибровка и подбор порогов, метрики, отражающие клиническое использование. Критически следить за статьями, воспроизводить перспективные методы и превращать их в практические улучшения.

4+ года в computer vision / deep learning, из них 2+ года с моделями в продакшене. Уверенный PyTorch и Python; чистый, тестируемый, воспроизводимый код. Опыт работы с шумной или несогласованной разметкой и сильным дисбалансом классов: дизайн лоссов, стратегии сэмплирования, чистка разметки, консенсусные подходы. Опыт дообучения предобученных бэкбонов под прикладные задачи — не только обучение головы: частичная или полная разморозка, PEFT/LoRA, послойные learning rate, работа с малыми выборками и борьба с переобучением.

Крепкая база в оценке качества:…