Les recherches de Sara se situent à l'intersection de l'apprentissage multimodal et de l'apprentissage autosupervisé, avec pour objectif d'apprendre des représentations pertinentes à partir de données médicales limitées et hétérogènes. Elle a obtenu son doctorat en intelligence artificielle pour l'imagerie médicale à l'Université de Toronto, où ses travaux portaient sur la génération de représentations généralisables et explicables de données cliniques complexes grâce à l'apprentissage multimodal et auto-supervisé. Durant son doctorat, elle a développé des cadres d'apprentissage contrastif intégrant l'IRM cérébrale aux comptes rendus radiologiques, exploitant ainsi des informations visuelles et textuelles complémentaires pour améliorer la performance diagnostique et l'explicabilité visuelle. Ses recherches ont également abordé des défis majeurs en milieu clinique, tels que la rareté des données étiquetées, les faux négatifs dans l'apprentissage contrastif et le changement de domaine. Ses travaux ont été récompensés par plusieurs prix et bourses, dont la bourse d'études supérieures de l'Ontario.