3 offene PhD Positionen in EU Doctoral Network
Wir suchen Kandidat:innen für 3 offene PhD Positionen im Bereich Machine Learning, Neurobildgebung, Neuroonkologie und Gehirnentwicklung in einem startenden EU Projekt BRIDGE-AI. Dieses Projekt wird 15 internationale PhD Studierende in einem durch die EU geförderten Doctoral Network ausbilden.
Bitte bewerben Sie sich hier: BRIDGE-AI Open Positions (das ist die Web-Seite der Koordinator Universität, über die die Bewerbungen der Kandidat:innen zentral koordinieren werden. Bitte bewerben Sie sich für DC8, DC11, oder DC12 für unsere PhD Themen). Die PhD Studierenden werden von Roxane Licandro und Georg Langs betreut. Die PhD Studierenden werden auch Mitglieder des Comprehensive Center of AI in Medicine.
DC8: Verknüpfung von Bildgebungsphänotypen und Epigenomik bei Hirntumoren
Dieses Dissertationsprojekt bewegt sich an der Schnittstelle von KI-gestützter Krebsforschung und Medizin und zielt darauf ab, medizinische Bildgebung mit epigenomischen und klinischen Daten zu verknüpfen, um das Fortschreiten von Hirntumoren sowie das Therapieansprechen vorherzusagen. Sie entwickeln neuartige Methoden des maschinellen Lernens – einschließlich generativer Modelle und Multi-Agenten-Systeme –, um Zusammenhänge zwischen beobachtbaren Bildgebungsmerkmalen und der zugrunde liegenden Tumorbiologie aufzudecken. In enger Zusammenarbeit mit Expert:innen aus Machine Learning, Neurobildgebung, Pathologie und Onkologie entstehen patientenspezifische Vorhersagemodelle, die über reine Korrelationen hinausgehen und mechanistische Einsichten mit direkter klinischer Relevanz liefern.
DC12: Trajektorienlernen der fetalen Gehirnentwicklung zur frühen Erkennung von Hirnfehlbildungen
Dieses Projekt widmet sich der Modellierung der fetalen Gehirnentwicklung als zeitliche Trajektorie, mit dem Ziel, frühe Abweichungen zu identifizieren, die auf Hirnfehlbildungen hinweisen. Auf Basis von in-utero-MRT-Daten von der 18. Schwangerschaftswoche bis zum Geburtstermin entwickeln Sie zeitkonditionierte Manifold- und Trajektorien-Lernverfahren zur Erfassung der normativen Oberflächenentwicklung und kortikalen Faltung. Durch die Analyse individueller Abweichungsmuster entstehen interpretierbare, erklärbare Risikoscores für das Auftreten von Hirnfehlbildungen, die gezielt für den Einsatz in der pränatalen Diagnostik konzipiert sind. Das Projekt verbindet fortgeschrittene ML-Methoden, Neurobildgebung und erklärbare KI mit hohem translationalem Potenzial.
DC12: Pfade funktioneller Reorganisation und Plastizität bei Hirntumorpatient:innen
Dieses Dissertationsprojekt untersucht, wie sich das menschliche Gehirn als Reaktion auf Hirntumoren funktionell reorganisiert, mit besonderem Fokus auf Sprachnetzwerke und höhere kognitive Funktionen. Sie analysieren anatomische und funktionelle Bildgebungsdaten, um Anpassungs- und Kompensationsprozesse kortikaler Netzwerke zu modellieren und deren Auswirkungen auf kognitive Fähigkeiten zu verstehen. Mithilfe neuartiger Einbettungs- und Modellierungsansätze, die anatomische Topographie von funktionellen Interaktionsmustern trennen, erstellen Sie Karten der Großhirnrinde, die reorganisationstaugliche Regionen, funktionelle „Landungszonen“ und zugrunde liegende Mechanismen sichtbar machen. Die Arbeit vereint Neurowissenschaft, maschinelles Lernen und Onkologie und liefert wichtige Grundlagen für therapieunterstützende Entscheidungen und Prognosemodelle in der Neuroonkologie.