Alvaro Javier Vargas Guerrero

Alvaro is een onderzoeker die zich specialiseert in Federated Learning, een paradigma dat het mogelijk maakt om samen artificiële-intelligentiemodellen te ontwikkelen over verschillende instellingen heen die onder strikte regels rond gegevensbescherming werken. In dat kader traint elke instelling een lokaal model op haar eigen, private data, dat daarna veilig wordt doorgestuurd naar een gefedereerde server. Die server combineert (aggregeert) de modellen tot één globaal model dat gedeelde kennis vastlegt, terwijl de privacy van de onderliggende datasets behouden blijft. Vervolgens worden verbeterde versies teruggestuurd naar elke instelling, en dat proces herhaalt zich tot het model geconvergeerd is.

Momenteel past hij, zelfstandig, Federated Learning toe in de gezondheidszorg, met een focus op de ontwikkeling van vroegdetectiemodellen voor neurologische aandoeningen zoals de ziekte van Alzheimer en multiple sclerose (MS). Door gebruik te maken van beperkte MRI-data die verspreid zit over meerdere ziekenhuizen, laat Federated Learning toe om modellen robuuster te trainen zonder de GDPR/GAV-beperkingen te schenden. Deze aanpak helpt om dataschaarste te verminderen, terwijl de privacy en autonomie van elke deelnemende instelling behouden blijven.

Onlangs heeft Alvaro zijn werk uitgebreid door ook causaliteit te integreren in Federated Learning. Waar klassieke modellen vaak steunen op correlaties, probeert causale inferentie de onderliggende mechanismen bloot te leggen die ziekteprogressie echt aandrijven. Door technieken zoals structurele causale modellen en counterfactual (contrafeitelijk) redeneren in federated workflows te verwerken, wil zijn onderzoek invariante, ziekte-gerelateerde kenmerken identificeren die stabiel blijven over ziekenhuizen heen, en zo biases verminderen die veroorzaakt worden door scanner-verschillen of demografische ongelijkheden. Het doel is om privacyvriendelijke modellen te bouwen die niet alleen aandoeningen nauwkeurig voorspellen, maar ook causaal onderbouwde klinische inzichten en betrouwbaardere besluitvorming ondersteunen.