Visuelle Anomalie-Erkennung für eine Röntgen-Triage-Lösung
Übersicht
Worum es bei diesem Projekt geht.
Du arbeitest mit dem offenen NIH ChestX-ray14-Datensatz (etwa 112.000 Röntgen-Bilder). Trainiere zwei Modelle: (1) ein binäres Anomalie-vs.-unauffällig-Modell auf einem ConvNeXt-Backbone, (2) eine Variante mit Vision-Transformer (ViT). Evaluiere AUROC, Sensitivität bei 90 Prozent Spezifität, Performance pro Altersgruppe und pro Geschlecht (Bias-Audit). Liefere eine 4-seitige Validierungs-Memo, die ein:e Medical-Affairs-Verantwortliche:r mit Ärzteschaft besprechen kann, plus eine 'Was das Modell NICHT kann'-Liste. Wichtig: keine klinische Empfehlung — nur Triage-Reihenfolge.
Das Briefing
Was Du tust und was Du zeigst.
Trainiere und validiere einen Anomalie-Triage-Klassifikator für Thorax-Röntgen-Bilder mit Sensitivität über 0,90 bei Spezifität 0,90 und einem dokumentierten Bias-Audit nach Alter und Geschlecht.
Earning criteria — what you'll demonstrate
- Bildklassifikatoren auf medizinische Bilddaten mit Transfer Learning anpassen
- Bias-Audits nach demografischen Untergruppen sauber durchführen
- Modell-Limitationen explizit und ehrlich für eine klinische Zielgruppe formulieren
- Sensitivität/Spezifität-Trade-offs an Triage-Schwellenwerten kalibrieren
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Karrierewege, die das aufbaut
Kanonische RollenAngewandte:r KI-Wissenschaftler:in
Medizinische Bild-Klassifikation mit ehrlichem Bias-Audit und Validierungs-Memo ist exakt die Arbeit, die angewandte KI-Wissenschaftler:innen bei HealthTech-Startups leisten, sobald CE-Pfade ernst werden.
Dieses Projekt schärft
- medical-imaging
- model-evaluation
- bias-audit
Computer-Vision-Ingenieur:in
Transfer Learning auf domänenspezifischen Bilddaten und sauberes Eval-Setup sind tägliches Geschäft von CV-Ingenieur:innen in Imaging-Startups.
Dieses Projekt schärft
- image-classification
- transfer-learning
- pytorch
KI-Sicherheits-Forscher:in
Demografische Bias-Audits und die explizite 'Was das Modell nicht kann'-Liste sind genau die Artefakte, die KI-Sicherheits-Forschende in medizinischen Anwendungen einfordern.
Dieses Projekt schärft
- bias-audit
- model-evaluation
- medical-imaging
Noch eine Sache