Sebastian Quevedo

Sebastian Quevedo

Auto-generated profile, based on publicly available information

Sebastian Quevedo

Universidad Católica de Cuenca, Cuenca, Ecuador

Research Focus & Metrics

Academic Career Length

10Years (2017-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
5 December 2022 in Nature Communications
Verified
Journal Article
Open access
PDF file
SPSarthak Pati
Sarthak Pati
Ujjwal BaidUjjwal Baid
Ujjwal Baid
BEBrandon Edwards
Brandon Edwards
MSMicah Sheller
Micah Sheller
SWShih-Han Wang
Shih-Han Wang
Spyridon BakasSpyridon Bakas
Spyridon Bakas
Although machine learning (ML) has shown promise across disciplines, out-of-sample generalizability is concerning. This is currently addressed by sharing multi-site data, but such centralization is challenging/infeasible to scale due to various limitations. Federated ML (FL) provides an alternative paradigm for accurate and generalizable ML, by only sharing numerical model updates. Here we present the largest FL study to-date, involving data from 71 sites across 6 continents, to generate an automatic tumor boundary detector for the rare disease of glioblastoma, reporting the largest such dataset in the literature (n = 6, 314). We demonstrate a 33% delineation improvement for the surgically targetable tumor, and 23% for the complete tumor extent, over a publicly trained model. We anticipate our study to: 1) enable more healthcare studies informed by large diverse data, ensuring meaningful results for rare diseases and underrepresented populations, 2) facilitate further analyses for glioblastoma by releasing our consensus model, and 3) demonstrate the FL effectiveness at such scale and task-complexity as a paradigm shift for multi-site collaborations, alleviating the need for data-sharing.

8 July 2025 in Nature Communications
Verified
Journal Article
Open access
PDF file
MZMaximilian Zenk
Maximilian Zenk
Ujjwal BaidUjjwal Baid
Ujjwal Baid
SPSarthak Pati
Sarthak Pati
ALAkis Linardos
Akis Linardos
BEBrandon Edwards
Brandon Edwards
Spyridon BakasSpyridon Bakas
Spyridon Bakas
Computational competitions are the standard for benchmarking medical image analysis algorithms, but they typically use small curated test datasets acquired at a few centers, leaving a gap to the reality of diverse multicentric patient data. To this end, the Federated Tumor Segmentation (FeTS) Challenge represents the paradigm for real-world algorithmic performance evaluation. The FeTS challenge is a competition to benchmark (i) federated learning aggregation algorithms and (ii) state-of-the-art segmentation algorithms, across multiple international sites. Weight aggregation and client selection techniques were compared using a multicentric brain tumor dataset in realistic federated learning simulations, yielding benefits for adaptive weight aggregation, and efficiency gains through client sampling. Quantitative performance evaluation of state-of-the-art segmentation algorithms on data distributed internationally across 32 institutions yielded good generalization on average, albeit the worst-case performance revealed data-specific modes of failure. Similar multi-site setups can help validate the real-world utility of healthcare AI algorithms in the future.

26 January 2023 in Nature Communications
Verified
Journal Article
Open access
PDF file
SPSarthak Pati
Sarthak Pati
Ujjwal BaidUjjwal Baid
Ujjwal Baid
BEBrandon Edwards
Brandon Edwards
MSMicah Sheller
Micah Sheller
SWShih-Han Wang
Shih-Han Wang
Spyridon BakasSpyridon Bakas
Spyridon Bakas

23 January 2025 in MQRInvestigar
Verified
Journal Article
Open access
PDF file
MEMarcos Gerardo Espinoza-Ortega
Marcos Gerardo Espinoza-Ortega
AQAndrés Sebastián Quevedo-Sacoto
Andrés Sebastián Quevedo-Sacoto
La inteligencia artificial (IA) está revolucionando la industria en el ámbito de la ciberseguridad, ya que ayuda a proteger las infraestructuras críticas de las nuevas amenazas que día a día tienen nuevas formas de atacar. Este artículo destaca la información recolectada en las bases de datos como Pubmed, IEEE Xplore, Scopus, SpringerLink y Google Academic aplicando criterios de elegibilidad. La propuesta consiste en analizar el impacto de la inteligencia artificial dentro de los procesos de ciberseguridad en el ámbito industrial, el mismo que revisa las principales técnicas de inteligencia artificial que son el aprendizaje supervisado, el aprendizaje no supervisado, las redes neuronales complejas y el aprendizaje por refuerzo, y explica cómo estas tecnologías logran superar la barrera que representan, en la gran mayoría de casos, las técnicas tradicionales, sobre todo en la detección de ataques nuevos o recurrentes, entre lo más significativos están la reducción falsos positivos y automatización de tiempo real respuestas. Esto no solo proporciona mayor protección, sino que también mejor la eficiencia del personal a cargo de resguardar los sistemas industriales, a pesar de aun presentar grandes desafíos como la cantidad de datos necesarios, el costo de las tecnologías, así como procesos de capacitación a los responsables del área.


25 February 2025 in MQRInvestigar
Verified
Journal Article
Open access
PDF file
MGMilton Patricio González-Hugo
Milton Patricio González-Hugo
AQAndrés Sebastián Quevedo-Sacoto
Andrés Sebastián Quevedo-Sacoto
Los ataques de ingeniería social representan una amenaza creciente en ciberseguridad, ya que explotan vulnerabilidades humanas en lugar de fallos técnicos. En los últimos años, estas tácticas han evolucionado con el uso de inteligencia artificial, aprendizaje automático y big data, aumentando su efectividad. Este estudio analiza las tendencias actuales en ataques de ingeniería social, destacando las metodologías más comunes, los sectores más afectados y las estrategias de mitigación más eficaces. Mediante una revisión sistemática de literatura basada en el método PRISMA, se seleccionaron estudios de los últimos siete años en bases de datos como Web of Science, Scopus y Google Scholar. Se examinaron al menos 17 fuentes que abordan diversas técnicas como phishing, smishing, vishing, deepfakes, compromiso de correos electrónicos empresariales (BEC), pretexting y manipulación en redes sociales. Los resultados muestran un alarmante aumento en el uso de deepfakes y voice phishing para suplantar identidades en ataques dirigidos. Además, los ciberdelincuentes han sofisticado sus estrategias a través de redes sociales y plataformas digitales. Los sectores más vulnerables incluyen la banca, la salud, la administración pública y el teletrabajo, debido a la digitalización y la exposición de información personal. Las estrategias de mitigación más efectivas incluyen el uso de IA para detectar patrones sospechosos, la autenticación multifactor (MFA) y la educación del usuario, ya que el factor humano sigue siendo el eslabón más débil. Aunque existen soluciones tecnológicas avanzadas, la evolución constante de estas amenazas exige vigilancia continua y defensas en múltiples capas.