Machine Learning Engineer – Medical Imaging AI – Medizinische KI-Entwicklung – Arbeitsgruppe Machine Learning

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-Entwicklung

• Entwicklung, 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 Fragestellung
• Adaption und Fine-Tuning vortrainierter Foundation Models für Segmentierung und Klassifikation, statt jedes Modell von Grund auf neu zu trainieren
• Verantwortung für die gesamte Pipeline: von der DICOM-Datenaufnahme bis zum containerisierten Deployment – in dem Umfang, den Sie übernehmen möchten
• Rapid Prototyping: der schnelle Weg vom klinischen Problem zum funktionierenden Prototyp
• Performance-Optimierung für Genauigkeit, Inferenzgeschwindigkeit und Recheneffizienz

Infrastruktur, MLOps & Plattformentwicklung

• Einrichtung und Betrieb von Trainingsumgebungen: Konfiguration von GPU-Servern und Management von Compute-Ressourcen
• Aufbau wiederverwendbarer ML-Infrastruktur: modulare Pipelines, Data Loader, Training-Frameworks
• Reproduzierbare 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/Kubernetes
• Monitoring von Modellen im Betrieb, einschließlich Erkennung von Daten- und Modell-Drift

Medical Data Engineering & Compliance

• DICOM/FHIR-Datenverarbeitung: robuste Parser, Konverter und Qualitätskontrollsysteme
• Data Versioning und Lineage für reproduzierbare Experimente
• Privacy-Preserving Workflows konform mit DSGVO, deutschem Gesundheitsdatenschutzrecht (GDNG) und den Anforderungen des EU AI Act
• Nachvollziehbarkeit, Audit-Trails und Human-in-the-Loop-Prinzipien für klinisch eingesetzte Modelle
• Multi-institutionelle Datenintegration über die 38 RACOON-Partnerinstitutionen

Forschungsbeitrag

• Publikation in Top-Venues für medizinische KI (RSNA, ECR, MICCAI, Medical Image Analysis)
• Mitarbeit in kollaborativen Forschungsprojekten (RACOON, COMPARE, ENRICH)
• Promotion nach individueller Absprache möglich

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 Hintergrund

• Abgeschlossenes Studium (Bachelor oder Master) in (Medizin-)Informatik, Physik, Mathematik, Data Science oder vergleichbar
• Solide Machine-Learning-Kenntnisse und Erfahrung im Training neuronaler Netze – aus Studium, eigenen Projekten oder Beruf
• Sichere Python-Programmierung: PyTorch oder TensorFlow, NumPy, scikit-learn, pandas

Hands-on-Fähigkeiten

• Erfahrung im Training von CNNs, Vision Transformern oder vergleichbaren Architekturen – ob im Studium, in Praktika, eigenen Projekten oder beruflich
• Linux-Grundkenntnisse (oder klare Lernbereitschaft): Shell-Scripting, SSH, Dateisysteme, Prozess-Management
• Vertrautheit mit Git-Workflows; Code-Review-Praktiken und CI/CD-Grundlagen sind ein Plus

Ideal, aber kein Muss

• Erfahrung 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 Face
• Kenntnisse in 3D-/volumetrischer Bildverarbeitung und Domain-Generalisierung über Scanner und Standorte hinweg
• Verständnis für regulatorische Rahmenbedingungen klinischer KI (EU AI Act, MDR)

Was Sie ausmacht

• Eigenantrieb: Sie erkennen Probleme selbst, entwickeln Lösungen und setzen sie um – auch ohne Vorgabe
• Vielseitigkeit und Hands-on-Mentalität: Sie arbeiten sich in unbekannte Themen ein und packen an
• Zuverlässigkeit: Auf Ihre Zusagen ist Verlass
• Pragmatismus: Sie verbinden Forschungsqualität mit dem Anspruch, funktionierende Systeme zu liefern
• Echtes Interesse an KI im Gesundheitswesen als Antrieb für Ihre Arbeit
• Sehr gute Deutsch- und gute Englischkenntnisse

Für 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. 

• Tarifvertrag TV-UKF
• 30 Tage Urlaub, 38,5 Stunden / Woche, Jahressonderzahlung, betriebliche Altersvorsorge
• Kostenloses Landesticket Hessen
• Echte Ownership: Ihre Modelle kommen in klinischen Workflows an, nicht in der Schublade
• Arbeit am aktuellen Stand der Forschung: Foundation Models, multizentrische Daten, reale klinische Translation
• Strukturierte Einarbeitung und Mentoring durch erfahrene Teammitglieder

• Uniklinik-Campus, Mensa, Cafés
• Work-Life-Balance, Teilzeitmöglichkeiten
• Gesundheitsförderung
• Corporate Benefits: Rabatte & Vergünstigungen bei beliebten Marken für unsere Mitarbeitenden
• Kitaplätze, Ferienbetreuung (Infos beim Familienservice) 
• Einblicke: Instagram, YouTube, LinkedIn
• FAQ´s für neue Beschäftigte

Kontakt: Dr. Andreas Bucher
Mail: bucher@med.uni-frankfurt.de 
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.