2 Promotionsstellen 100 %
Universität Bern
Bern
Auf einen Blick
- Veröffentlicht:15 Oktober 2025
- Pensum:100%
- Arbeitsort:Bern
Job-Zusammenfassung
CAIRO ist eine Forschungsgruppe am Inselspital, die KI in der Onkologie nutzt. Hier erwartet dich ein innovatives Arbeitsumfeld mit interdisziplinärem Team.
Aufgaben
- Entwicklung von KI-Modellen für die Diagnose und Behandlung von Krebs.
- Forschung zu personalisierter Radiotherapie für pädiatrische Patienten.
- Zusammenarbeit mit internationalen Partnern zur Verbesserung der Therapieergebnisse.
Fähigkeiten
- Abschluss in Informatik, Biomedizin oder verwandten Bereichen erforderlich.
- Kenntnisse in maschinellem Lernen und Datenanalyse sind wichtig.
- Teamfähigkeit und gute Kommunikationsfähigkeiten sind notwendig.
Ist das hilfreich?
Center for AI in Radiation Oncology (CAIRO) – Pädiatrische Digitale Onkologie
Dauer: 3-4 Jahre
Beginn: So bald wie möglich, spätestens März 2026
Das Center for AI in Radiation Oncology (CAIRO) ist eine neu gegründete Forschungsgruppe innerhalb der Abteilung für Strahlentherapie am Inselspital und angegliedert an die Universität Bern, Abteilung für Digitale Medizin. Das Zentrum konzentriert sich auf die Entwicklung datengetriebener und mechanistischer Modelle zur Verbesserung der Diagnose, Behandlungsplanung und Ergebnisvorhersage in der Strahlentherapie.
Unterstützt durch einen Starting Grant des Schweizerischen Nationalfonds untersucht CAIRO, wie künstliche Intelligenz die Präzisionstherapie in der pädiatrischen Onkologie unterstützen kann, mit besonderem Schwerpunkt auf dem Diffusen Mittelliniengliom (DMG) – einem seltenen und schwer behandelbaren Hirntumor bei Kindern. Unser interdisziplinäres Team vereint Expertise in Datenwissenschaft, medizinischer Physik, computergestützter Biologie und klinischer Onkologie und arbeitet eng mit nationalen und internationalen Partnern zusammen, um diese Projekte zu unterstützen. Wir laden derzeit Bewerbungen für zwei Promotionsstellen ein, die sich auf komplementäre Aspekte der pädiatrischen digitalen Onkologie konzentrieren.
Projekte
Projekt 1: Prädiktive Modellierung zur Biomarker-Identifikation und In-Silico-Therapiedesign beim pädiatrischen Diffusen Mittelliniengliom
Hintergrund:
Neuere Fortschritte in der pädiatrischen Neuroonkologie haben neue Therapien wie den DRD2-Antagonisten Modeyso (ONC201) für Kinder mit DMG verfügbar gemacht. Die individuellen Reaktionen variieren jedoch stark, und es besteht Bedarf an computergestützten Werkzeugen zur Vorhersage der Behandlungsergebnisse und zur Identifikation von Biomarkern für Resistenz und Sensitivität.
Projektbeschreibung:
Dieses Promotionsprojekt wird KI-basierte Vorhersagemodelle entwickeln und validieren, die molekulare Tumorprofile mit der Arzneimittelantwort verknüpfen, indem Multi-Omics-Daten (Transkriptomik, Methylierung, CNV, Mutationsdaten) und präklinische Screening-Ergebnisse integriert werden. Ziel ist es, einen klinisch relevanten Rahmen für die Vorhersage der Behandlungsantwort und die In-Silico-Identifikation von Kombinationstherapien beim pädiatrischen DMG zu etablieren. Vorgeschlagen wird, zwei mögliche Ansätze zu vergleichen, um die Generalisierung der Modelle zu bewerten: Foundation-Modelle und mechanistisches Lernen zur Steuerung der Auswahl von Trainingsregimen, eingeschlossenen Merkmalen und Architekturdesign basierend auf dem aktuellen Verständnis des Wirkmechanismus des Medikaments.
Methoden und Daten:
- Integration von Multi-Omics-Daten aus pädiatrischen und pan-krebsbezogenen Datensätzen, einschließlich öffentlicher und privater Daten unserer Kooperationspartner
- Tiefenlern- und erklärbare KI-Ansätze zur Vorhersage der Arzneimittelantwort
- Benchmarking von Foundation-Modellen gegenüber mechanistischen Lernansätzen für die Modellierung der Arzneimittelantwort
- Modellinterpretation zur Identifikation molekularer Determinanten der Behandlungssensitivität und -resistenz zur Empfehlung von Kombinationstherapien
Kandidatenprofil:
- MSc in Informatik, Datenwissenschaft, Bioinformatik oder einem verwandten Fachgebiet
- Erfahrung in computergestützter Biologie und Verarbeitung verschiedener Omics-Datentypen
- Interesse an translationalen Anwendungen von KI in der pädiatrischen Onkologie
Projekt 2: Personalisierte Strahlentherapie für pädiatrisches Diffuses Mittelliniengliom
Hintergrund:
Die Strahlentherapie bleibt der Eckpfeiler der Palliativbehandlung und Verbesserung des Gesamtüberlebens bei DMG, doch ihre Wirkung variiert stark zwischen den Patienten. Die Vorhersage der individuellen Reaktion vor der Behandlung und die Optimierung der Therapie könnten sowohl das Überleben als auch die Lebensqualität verbessern.
Projektbeschreibung:
Dieses Projekt zielt darauf ab, computergestützte Modelle zu entwickeln und zu testen, die die individuelle Reaktion auf die Strahlentherapie basierend auf Bildgebungsdaten vor der Behandlung vorhersagen, und personalisierte Anpassungen von Fraktionierung und Dosisverteilung zu erforschen. Durch die Kombination mechanistischer Modellierung mit KI-basierter Bildanalyse wird das Projekt zu einem Rahmen für die individualisierte Strahlentherapieplanung bei pädiatrischen Hirntumoren beitragen. Wichtige Herausforderungen wie begrenzte Daten erfordern ein spezielles Trainingsschema und die Erforschung relevanter Transfer-Learning-Szenarien aus verfügbaren erwachsenen GBM-Daten, sowohl öffentlich als auch am Inselspital.
Methoden und Daten:
- MRT-basierte Vorhersage der Strahlentherapieantwort unter Verwendung von MRT-Foundation-Modellen
- Mechanistische Lernframeworks für Tumorwachstum und Radiosensitivitätsmodellierung
- Kontrafaktische Simulationen alternativer Fraktionierungsschemata
- Generative Raum-Zeit-Modellierung zur anatomischen Vorhersage von Tumorrezidiven für einen gegebenen Strahlentherapieplan
Kandidatenprofil:
- MSc in (medizinischer) Physik, Biomedizintechnik, Computer Vision oder einem verwandten Fachgebiet
- Erfahrung in medizinischer Bildanalyse und/oder generativer Modellierung
- Interesse an Strahlentherapiemodellierung und quantitativer Bildgebung
Allgemeine Anforderungen an Kandidaten
- Masterabschluss in einem relevanten Fachgebiet (z. B. computergestützte Biologie, Informatik, Datenwissenschaft, Physik, Biomedizintechnik)
- Solide Programmierkenntnisse in Python; Erfahrung mit Machine-Learning-Frameworks (PyTorch, TensorFlow, MONAI)
- Motivation zur Arbeit in einem kollaborativen, interdisziplinären Umfeld mit Klinikern und Datenwissenschaftlern
- Gute Kommunikationsfähigkeiten und Englischkenntnisse
Wir bieten
- Eine vollständig finanzierte 3,5-jährige (Projekt 1) und 4-jährige (Projekt 2) Promotionsstelle an der Medizinischen Fakultät und der Abteilung für Digitale Medizin der Universität Bern
- Integration in ein multidisziplinäres Team an der Schnittstelle von Medizin, Physik und Informatik
- Zugang zu einzigartigen pädiatrischen Datensätzen durch internationale Kooperationen
- Unterstützung bei der Teilnahme an Konferenzen sowie Möglichkeiten zum Lehren und Mentoring
- Zugang zu Hochleistungsrechnern und klinischen Datenumgebungen am Inselspital und der Universität Bern
Bewerbungsanleitung
Bitte reichen Sie in einer einzigen PDF-Datei ein:
- Lebenslauf
- Anschreiben mit Ihrer Motivation und bevorzugtem Projekt (1–2 Seiten)
- Akademische Zeugnisse (Bachelor und Master)
- Kontaktdaten von zwei Referenzen oder relevante Empfehlungsschreiben
Bewerbungsschluss: 30. November 2025 (Bewerbungen werden fortlaufend geprüft, bis die Stellen besetzt sind)
Bitte senden Sie Ihre Bewerbung an sarah.brueningk@unibe.ch mit dem Betreff:
„PhD Bewerbung – Pädiatrische Digitale Onkologie“
Ein Hinweis zur Nutzung von LLM. Wir verstehen, dass diese Werkzeuge weit verbreitet sind. Bitte stellen Sie jedoch sicher, dass Ihre Unterlagen, insbesondere Ihr Anschreiben, Ihre eigene Stimme, Erfahrungen und spezifische Motivation für diese Projekte widerspiegeln. Generische oder unspezifische Schreiben, die nicht auf die Passung zu unserer pädiatrischen Ausrichtung eingehen, werden nicht weiter berücksichtigt.
