MikhailKulyabin

1. 2024 — heute

   Postdoktorand

   Siemens AGErlangen

   FT UX DES, FT UX AXR, FT UX SII

   Generative KI und LLM-Systeme für technische Arbeitsabläufe: Multi-Agenten-Copiloten, Retrieval-Pipelines und Wissensgraphen über Unternehmensdaten. Ich übernehme die Entwicklung und den Betrieb darum herum — Python-Dienste, Datenerhebung und -haltung in Snowflake mit dbt-Modellen darauf, Deployment auf Azure und AWS, Container, CI und Infrastructure as Code — dazu die User-Experience-Forschung, die darüber entscheidet, ob ein Ingenieur dem Ergebnis traut.

2. 2024 — heute

   Mitgründer und CTO

   VisioMed.AI

   Ich habe die technische Seite eines regulierten Medizinprodukts von Anfang bis Ende aufgebaut, von der Idee bis zum laufenden Produkt: die Segmentierungs- und Klassifikationsmodelle, die OCT- und Fundusaufnahmen lesen, den Copiloten, der über die Krankengeschichte einer Patientin Auskunft gibt, die Plattform und die klinische Befundung darum herum, die Anbindung an Krankenhaussysteme und die Infrastruktur, auf der das alles läuft. Im Einsatz in Kliniken auf drei Kontinenten.

3. 2022 — 2024

   Doktorand

   Pattern Recognition Lab, FAU Erlangen-NürnbergErlangen

   Ich habe den KI-Teil eines internationalen Projekts zur Netzhautbildgebung geleitet — OCT-, Fundus- und Adaptive-Optics-Daten, drei Institutionen in Norwegen, Deutschland und Russland — und ihn von den Daten an verantwortet: die mit den Kliniken abgestimmten Erhebungs- und Annotationsprotokolle, die Trainings-Pipelines auf dem GPU-Cluster der Universität und die Modelle selbst, CNNs, Transformer, GANs und U-Nets für Segmentierung und Klassifikation. Daraus entstanden OCTDL, ein offener Datensatz, veröffentlicht in Nature Scientific Data und über zweihundertmal zitiert, sowie zwanzig weitere Arbeiten.

4. 2018 — 2022

   CAD-Ingenieur

   Franke GmbHMoscow and Bad Säckingen

5. 2016 — 2018

   Maschinenbauingenieur

   State Corporation RostecMoscow

1. 2023 — 2025

   Promotion in Informatik

   FAU Erlangen-Nürnberg

   KI für die Diagnose von Netzhauterkrankungen: Deep Learning und Computer Vision auf OCT-, Fundus- und Elektroretinographie-Daten. Betreut von Prof. Dr. Andreas Maier am Pattern Recognition Lab.

2. 2019 — 2023

   M.Sc. Computational Engineering

   FAU Erlangen-Nürnberg

   Numerische Methoden, wissenschaftliches Rechnen, Bildverarbeitung. Abschlussarbeit über die generative Augmentierung medizinischer Daten.

3. 2016 — 2018

   M.Sc. Maschinenbau

   Bauman Moscow State Technical University

   Kontinuumsmechanik, Finite-Elemente- und CFD-Simulation, Thermodynamik — ANSYS, LS-DYNA und SolidWorks.

4. 2016 — 2018

   B.Sc. Projektmanagement

   Bauman Moscow State Technical University

   Projektmanagement, Geschäftsplanung, Finanzanalyse.

5. 2012 — 2016

   B.Sc. Maschinenbau

   Bauman Moscow State Technical University

   Technische Mechanik, Maschinenkonstruktion, Fertigungstechnik.

Die Promotion stellte eine Frage auf vier Arten: Kann eine Maschine das Auge gut genug lesen, um dem zu helfen, der es behandelt? Zwei der vier betrachten Bilder der Netzhaut, zwei das elektrische Signal, das sie erzeugt.

1. Scientific Data

   OCTDL, ein offener OCT-Datensatz

   Deep Learning auf Netzhautbildern wurde auf einer Handvoll kleiner, geschlossener Datensätze trainiert. Also haben wir einen aufgebaut und ihn freigegeben: 2.064 B-Scans von 821 Patientinnen und Patienten mit sieben Krankheitsbildern, jeder von medizinischen Fachleuten befundet, mit erhaltenen Rohmetadaten, damit er sich mit anderen öffentlichen Datensätzen zusammenführen lässt. Nach Teilnehmerzahl und Krankheitsbildern ist er der zweitgrößte offene OCT-Datensatz, und er wurde seither zum Training ophthalmologischer Foundation Models in NEJM AI und Cell Reports Medicine verwendet.

   Zur Arbeit
2. Sensors

   Das Elektroretinogramm als Bild lesen

   Ein ERG ist eine eindimensionale Wellenform, und die diagnostische Information liegt darin, wann welche Frequenz eintrifft, nicht in der Form der Kurve. Die Umwandlung des Signals mit kontinuierlichen Wavelet-Transformationen macht daraus ein Zeit-Frequenz-Bild, das ein gewöhnliches Bildmodell klassifizieren kann. Drei verschiedene Mutter-Wavelets als Farbkanäle übereinandergelegt schlugen jedes Modell mit nur einem Wavelet.

   Zur Arbeit
3. IEEE Access

   Autismus im Netzhautsignal

   Die Netzhaut ist Teil des Zentralnervensystems, ein neurologischer Entwicklungsunterschied sollte also eine Spur in ihrer elektrischen Antwort hinterlassen. Er tut es. Ein Gated Multilayer Perceptron, das das helladaptierte ERG direkt liest, trennte autistische von nicht-autistischen Kindern — aus einer Untersuchung, die Sekunden dauert und ohne Bildgebung auskommt.

   Zur Arbeit
4. ICPR

   Zapfen in Adaptive-Optics-Aufnahmen zählen

   Adaptive Optik löst einzelne Zapfen-Photorezeptoren auf, doch sie von Hand zu zählen ist der Engpass. Ein generalistisches Segmentierungsmodell findet und umreißt jeden Zapfen im Mosaik, und eine Voronoi-Analyse des Ergebnisses liefert Dichte, Abstand und Regelmäßigkeit — die Genauigkeit hält von der Fovea bis zu zwei Grad Exzentrizität.

   Zur Arbeit

1. 2.

   Yandex AI Startup Lab

   Zweiter im DeepTech-Track mit VisioMed.AI. Zwölf Teams erreichten das Finale bei rund tausend Bewerbungen; das Preisgeld finanzierte Pilotprojekte an Moskauer Augenkliniken.

   2026DeepTech
2. 2.

   SNOMED-CT-Entity-Linking-Challenge

   Zweiter Platz auf DrivenData für einen BERT-basierten Linker, der klinische Notizen auf SNOMED-Konzepte abbildet. Beschrieben in JAMIA.

   2024553 Teams
3. Gold

   SETI Breakthrough Listen

   Kaggle-Goldmedaille für die Trennung möglicher außerirdischer Signale vom Rauschen des Radioteleskops.

   2021768 Teams
4. 2.

   HuBMAP: Hacking the Kidney

   Zweiter Platz auf Kaggle für die Segmentierung von Glomeruli in Nieren-Ganzschnittbildern.

   20211.625 Teams

Woraus die Arbeit tatsächlich besteht.

Sprachen

EnglischC1

DeutschB2

RussischNative