Evaluación confiable y anti-leakage en IA médica
Diseño protocolos y herramientas para detectar cuándo una IA médica está aprendiendo del futuro, de sesgos del pipeline o de atajos metodológicos.
Direccion 2026-2032
Uso problemas medicos exigentes como banco de prueba para desarrollar optimization hardware-aware, evaluación rigurosa y herramientas que conecten machine learning, cuantización, RTL y sistemas verificables.
Diseño protocolos y herramientas para detectar cuándo una IA médica está aprendiendo del futuro, de sesgos del pipeline o de atajos metodológicos.
Construyo pipelines médicos multimodales que pueden auditarse, intercambiar módulos y evaluar cada modalidad sin convertir todo en una caja negra.
Investigo cómo comprimir modelos médicos mediante rotaciones ortogonales para que funcionen en baja precisión sin perder utilidad clínica downstream.