dr.ir. A.Y.L. Faes (Axel)

Axel Faes is postdoctoraal onderzoeker in AI voor de gezondheidszorg, gespecialiseerd in federated learning, precisiegeneeskunde en brain-computer interfaces. Aan de Universiteit Twente (Cognition, Data and Education) ontwikkelt hij foundation models en explainable AI die longitudinale MRI-data, multi-omics en klinische gegevens integreren voor vroege detectie van hepatocellulair carcinoom binnen het AI-HCC ZonMw-project.

Eerder was hij verbonden aan de onderzoeksgroep Biomedical Data Sciences van Universiteit Hasselt, waar hij fungeerde als technisch machine learning lead en wetenschappelijk coördinator van de Real World Evidence use case binnen het Flanders AI Research Program. Daar werkte hij aan cardiovasculaire ziektevoorspelling en population health management met behulp van federated learning. Hij behaalde zijn masterdiploma's in Computer Science Engineering en Artificial Intelligence aan de KU Leuven, waar hij ook promoveerde in de Biomedische Wetenschappen op het decoderen van vingerbewegingen met behulp van tensorregressiemodellen.

Zijn onderzoek verbindt computationele neurowetenschappen, brain-computer interfaces en privacybeschermende AI voor multimodale biomedische data, en draagt bij aan innovatieve methoden die precisie-oncologie en klinische praktijk vooruithelpen.

Organisaties

Overige bijdragen

My research develops AI methods that bridge computational innovation with clinical translation in precision medicine. At the University of Twente, I focus on three interconnected pillars:

Foundation Models for Precision Oncology I design transformer-based architectures that capture temporal dynamics in longitudinal imaging and multi-omics data. Within the AI-HCC ZonMw project, this work targets early detection and risk stratification of hepatocellular carcinoma by learning representations that integrate MRI sequences, molecular profiles, and clinical trajectories.

Multi-Modal Federated Learning Healthcare data is inherently distributed across institutions and modalities. I develop federated learning frameworks that enable collaborative model training without centralizing sensitive patient data, preserving privacy while unlocking the statistical power of multi-institutional cohorts for robust clinical prediction.

Explainable AI for Clinical Decision Support Translating AI into clinical practice requires interpretability. I build explainable AI systems that link imaging features and molecular markers to clinically meaningful outcomes, providing oncologists with transparent, actionable insights rather than black-box predictions.

This research sits at the intersection of deep learning, biomedical data science, and clinical oncology—advancing methods that are technically rigorous, clinically relevant, and ethically grounded.

Adres

Organisaties