PhD-positie Machine Learning for Rare Disease Data Integration and Embedding Techniques

AZ Delta / IMA / Sciensano / Universiteit Hasselt, België

For English version: see attachment

Wij heten je graag welkom!

Wij zijn op zoek naar gemotiveerde kandidaten voor een doctoraatspositie die zich richt op het ontwikkelen en toepassen van geavanceerde machine learning-technieken voor het integreren en analyseren van klinische gegevens over zeldzame ziekten. Dit project is een samenwerking tussen IMA, Sciensano, AZ Delta en de Universiteit Hasselt, met als doel het combineren van klinische datasets uit meerdere bronnen om de diagnose en behandeling van zeldzame ziekten te verbeteren.

Meer info over RADar van AZ Delta kan je terugvinden op onze website, LinkedIn en GitHub.

Wij hebben deze job voor jou

In de eerste fase van het project zal de kandidaat de prestaties van IMA-gegevens (zonder diagnoses) onderzoeken, gevolgd door de integratie van klinische gegevens van AZ Delta in de tweede fase. Het doel is om de mogelijkheid te onderzoeken om gegevens uit verschillende bronnen om te zetten naar een cloudomgeving, waarbij huidige barrières bij IMA worden aangepakt. De succesvolle kandidaat zal nauw samenwerken met clinici en datawetenschappers om complexe problemen op het gebied van zeldzame ziekten op te lossen.

De belangrijkste verantwoordelijkheden zijn:

• Data-exploratie & Analyse: Diepgaande analyse van klinische gegevens, met name van AZ Delta en IMA, inclusief prestatie-indicatoren en het ontwikkelen van inzichten.
• Gegevensintegratie: Integratie van datasets van IMA, Sciensano en AZ Delta in een uniforme cloudgebaseerde omgeving.
• Machine Learning Onderzoek: Toepassen van geavanceerde ML-technieken op klinische datasets, met focus op feature embeddings, dimensionaliteitsreductie en omgaan met imbalanced data.
• Samenwerking met Clinici: Nauw samenwerken met klinische experts om uitdagingen in de diagnose van zeldzame ziekten te begrijpen en hun inzichten te integreren.
• Wetenschappelijke Publicaties: Origineel onderzoek uitvoeren, onderzoeksvragen formuleren en resultaten publiceren in toonaangevende tijdschriften.

Begeleiders:

• Peter De Jaeger– Promotor (AZ Delta / Universiteit Hasselt)
• Sofie De Broe– Co-promotor (Universiteit Maastricht)
• Sofie Vanassche– Co-promotor (Universiteit Leuven)
• Ward Schrooten– Co-promotor (Universiteit Hasselt)

Kernvereisten:

• Machine Learning: Grondige kennis van supervised/unsupervised learning, classificatie, clustering, dimensionaliteitsreductie (PCA, t-SNE, UMAP), en evaluatiemetrics (precision, recall, F1-score, AUROC, AUPRC), vooral bij onevenwichtige datasets.
• Deep Learning: Ervaring met neurale netwerken, vooral embedding-architecturen (autoencoders, variational autoencoders, contrastive learning). Kennis van TensorFlow of PyTorch vereist.
• Data Voorverwerking: Ervaring met het opschonen, transformeren en normaliseren van klinische data, omgaan met ontbrekende waarden en verschillende featuretypes.
• Biomedische Kennis: Inzicht in klinische contexten, vooral zeldzame ziekten. Basiskennis van medische terminologie en datatypes (labresultaten, genetische data, symptomen).
• Statistische Analyse: Vaardigheid in experimenteel ontwerp, hypothesetoetsing en interpretatie. Kennis van technieken voor imbalanced data (oversampling, undersampling, cost-sensitive learning).
• Programmeren: Sterke ervaring met Python en libraries zoals scikit-learn, pandas, NumPy, matplotlib, seaborn.
• Onderzoeksmethodologie: Vermogen om experimenten te ontwerpen, literatuur kritisch te evalueren en bij te dragen aan publicaties.
• Kritisch Denken: Methoden kunnen aanpassen aan de specifieke uitdagingen van zeldzame ziekten en klinische diagnostiek

Specifiek voor Feature Embeddings:

• Embedding-technieken: Expertise in het genereren van feature embeddings uit klinische data, kiezen van gepaste architectuur, loss functions en optimalisatiestrategieën.
• Onevenwichtige Data: Aantoonbare ervaring met technieken voor class imbalance in embedding learning.
• Interpretatie (Gewenst): Ervaring met het interpreteerbaar maken van ML-modellen, zoals visualisatie van embeddings of identificatie van belangrijke features.
• Ervaring met Zeldzame Ziekte Datasets (Gewenst): Achtergrond in werken met bestaande datasets of samenwerking met klinische datapartners.

Werkstructuur:

• 2 dagen per week bij IMA
• 1 dag per week bij Sciensano
• 1 dag per week bij AZ Delta

Ben jij onze één uit de duizend?

Geïnteresseerde kandidaten dienen hun CV, motivatiebrief en contactgegevens van twee referenties in te dienen. Sollicitaties worden doorlopend beoordeeld tot de positie is ingevuld.

Voor meer informatie, neem contact op met:

• Peter De Jaeger (Promotor, Universiteit Hasselt): 051 23 76 50
• Sofie De Broe (Co-promotor, Universiteit Hasselt)
• Sofie Vanassche (Co-promotor, Universiteit Hasselt)

Draag met ons bij aan de evolutie van machine learning en klinisch onderzoek om een rechtstreekse impact te maken op de diagnose en behandeling van zeldzame ziekten.

AZ Delta stimuleert gelijke kansen en diversiteit. We werven aan op basis van competenties, ongeacht leeftijd, gender, afkomst of beperking.