Wir suchen Sie als Senior Machine Learning Engineer für die Arbeitsgruppe Machine Learning an der Universitätsmedizin Frankfurt am Main. Entwickeln Sie produktionsreife KI-Modelle für die Radiologie mit Daten aus dem RACOON-Netzwerk (https://racoon.network) - Deutschlands größter Radiologie-Forschungsinitiative mit 38 Universitätskliniken. Sie übernehmen vollständige Verantwortung für End-to-End-ML-Pipelines mit der Freiheit, Lösungen zu prototypisieren, die sich zu wettbewerbsfähigen KI-Lösungen entwickeln können.

Die Stelle ist zunächst auf 12 Monate befristet.

Ihre Aufgaben:

End-to-End-ML-Entwicklung

• Entwicklung, Training, Validierung und Deployment von Deep-Learning-Modellen für medizinische Bildanalyse (primaer CT- und MRT-basiert)
• Vollständige Pipeline-Verantwortung: Von DICOM-Datenaufnahme bis zu containerisiertem Deployment
• Rapid Prototyping: Schneller Uebergang vom klinischen Problem zum funktionierenden Prototyp
• Performance-Optimierung fuer Genauigkeit, Inferenzgeschwindigkeit und Recheneffizienz

Infrastruktur & Plattformentwicklung

• Setup und Wartung von Trainings-Umgebungen: Konfiguration von GPU-Servern, Compute-Ressourcen-Management
• Aufbau wiederverwendbarer ML-Infrastruktur: Modulare Pipelines, Data Loader, Training-Frameworks
• Deployment-Systeme: Implementierung von Inference Services, APIs und Integration mit PACS-Systemen

Medical Data Engineering

• DICOM/FHIR-Datenverarbeitung: Robuste Parser, Konverter und Qualitaetskontrollsysteme
• Data Versioning und Lineage: Tracking-Systeme für reproduzierbare Experimente
• Privacy-Preserving Workflows: Datenverarbeitung konform mit DSGVO und deutschem Gesundheitsdatenschutzrecht (GDNG)
• Multi-institutionelle Datenintegration von RACOON's 38 Partnerinstitutionen

Forschungsbeitrag

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

Ausbildung & Technischer Hintergrund

• Master-Abschluss in (Medizin-)Informatik, Physik, Mathematik, Data Science oder vergleichbar
• Fundierte Machine-Learning-Kenntnisse: Nachweisbare Erfahrung im Training neuronaler Netze
• Experten-Level Python-Programmierung: PyTorch oder TensorFlow, NumPy, scikit-learn, pandas

Hands-On-Fähigkeiten

• Deep-Learning-Erfahrung: Sie haben CNNs, Vision Transformer oder andere Architekturen von Grund auf trainiert
• Linux-Expertise: Sicher mit Shell-Scripting, SSH, Dateisystemen, Prozess-Management
• Versionskontrolle & Kollaboration: Git-Workflows, Code-Review-Praktiken, CI/CD-Grundlagen

Arbeitsweise

• Selbstständig: Sie identifizieren Probleme, schlagen Lösungen vor und setzen um
• Pragmatisch: Sie balancieren Forschungsqualität mit dem Shipping funktionierender Systeme
• Sehr gute Deutschkenntnisse sowie gute Englischkenntnisse
• 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
• Mobiles Arbeiten
• 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
E-Mail: bucher@med.uni-frankfurt.de
Bewerbungsfrist: 31.01.2026

Unterlagen:

• Lebenslauf
• Anschreiben inklusive Motivation und, sofern zutreffend, relevanter Vorerfahrung.
• Arbeitszeugnisse und Zertifikate von Abschlüssen und ggf. vorhandenen Zusatzqualifikationen.
• Angaben über extrakurrikuläres Engagement.

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.