AI研究科学家/工程师AI Research Scientist/Engineer(J13752)

优缺点分析

角色解读

• 深耕医学影像 AI 方向，逐步成长为 MR+AI 领域的资深研究科学家或技术专家
• 在学术与产业之间积累成果（专利、顶刊顶会论文），可向算法负责人、研发项目经理方向发展
• 借助与全球高校、医院合作的机会，建立跨学科（物理/医学/算法）的复合能力
• 跟踪磁共振领域 AI 的全球学术进展，评估新技术的转化潜力并做可行性验证，为产品做技术储备
• 与临床客户一起定义真实临床需求，开发成像重建、智能工作流、故障预测、图像质控与后处理原型
• 负责 MR 项目的数据规划、采集、预处理、分析与数据管理，支撑数据驱动的 AI 研发
• 推进成果转化，产出专利，并在顶级期刊与会议上发表研究成果
• 扎实的人工智能与深度学习功底，能把算法落到医学影像任务上
• 数字信号处理、数字图像处理与数值分析的实践经验，理解 MR 成像与重建原理更佳
• 熟练使用 MATLAB、C++ 或 Python 之一进行算法实现与验证
• 英语书面与口头沟通能力强，能与海外高校、研究机构及临床专家协作

申请策略

• 投递前了解联影在 MR 产品线与 AI 影像上的进展，在简历和沟通中体现方向匹配度
• 准备一份研究陈述或作品集，说明自己的研究如何转化为临床或产品价值
• 突出 MRI/CT 等医学影像相关的算法项目，说明具体任务（重建、去噪、分割、质控等）与效果指标
• 列出信号处理与图像处理功底，如采样重建、数值优化、图像质量评估等实践经历
• 展示学术产出：论文、专利、竞赛或开源项目，注明发表期刊/会议层次
• 体现工程落地能力：Python/C++/MATLAB 代码实现、与临床或产品团队协作的经验
• 补充 MR 成像物理与重建基础（k 空间、并行成像、压缩感知、深度学习重建）
• 熟悉医学影像工具链与数据处理流程，如 DICOM、常用深度学习框架与数据标注管理

面试指南

• 项目类问题用 STAR 结构：背景与临床痛点 → 你的技术方案与取舍理由 → 量化结果与验证方式
• 技术判断类问题先给结论，再讲依据（数据、文献、实验），最后说明风险与备选方案
• 规划类问题把个人研究兴趣与岗位的产品/临床目标挂钩，展示可落地的路径
• 请介绍一个你主导的医学影像或信号处理项目，问题定义、方法选择与最终效果如何？
• 你对磁共振成像与重建中的哪些 AI 方向最感兴趣？为什么？
• 如果临床客户提出的需求在技术上短期难以实现，你会如何评估与推进？
• 你如何设计数据采集与管理方案来支撑一个数据驱动的影像 AI 项目？
• 你未来 3 年的研究规划是什么？希望在哪些期刊/会议或专利上产出成果？