MACHINE LEARNING TOOLS FOR DIAGNOSIS OF ALZHEIMER’S DISEASE USING WHOLE GENOME SEQUENCING DATA AND MRI AND PET IMAGES

• Tác giả: Vũ Duy Thanh
• Người hướng dẫn: Gs. Nguyễn Linh Trung
• Trường học: Paris-Saclay University and VNU University of Engineering and Technology
• Chuyên ngành: Điện tử, Năng lượng điện, Tự động hóa
• Đề tài: Machine Learning Tools For Diagnosis Of Alzheimer’s Disease Using Whole Genome Sequencing Data And Mri And Pet Images
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2023
• Địa điểm: Lausanne

• LỜI MỞ ĐẦU
• 1. CHƯƠNG 1: INTRODUCTION
• 1.1. Literature review
• 1.1.1. Feature fusion
• 1.1.1.1. Concatenation
• 1.1.1.2. Summation
• 1.1.2. Kernel fusion
• 2. CHƯƠNG 2
• 2.1. Biomarkers for Alzheimer’s Disease
• 2.1.1. Magnetic Resonance Imaging (MRI)
• 2.1.2. Positron emission tomography (PET)
• 2.1.3. Cerebrospinal fluid (CSF) biomarkers
• 2.2. Matrix decomposition and Tensor decomposition
• 2.2.1. Singular value decomposition (SVD)
• 2.2.2. Non-negative matrix factorization
• 2.2.3. Tensor notation and tensor operators
• 2.2.4. Different types of tensor decomposition
• 2.3. Kernel methods in machine learning
• 3. CHƯƠNG 3
• 3.1. A Framework for Kernel Combination/Fusion for Alzheimer’s disease assessment
• 3.2. Limitations of current fusion approaches
• 3.3. Overview of the proposed framework for kernel learning and kernel combination
• 3.3.1. Kernel construction/representation
• 3.3.2. Kernel learning/combination
• 3.3.2.1. Deep kernel learning (DKL)
• 3.3.2.2. Tensor kernel learning (TKL)
• 3.3.3. Feature learning through kernel by manifold learning
• 4. CHƯƠNG 4
• 4.1. Dataset and preprocessing
• 4.2. Kernel combination using the DKL
• 4.2.1. Influence of different types of loss
• 4.2.2. Influence of number of layers and training iterations
• 4.3. Kernel combination using the TKL
• 4.3.1. Advantage of non-negative CP decomposition
• 4.3.2. Influence of rank on non-negative CP decomposition
• 5. CHƯƠNG 5: CONCLUSION AND FUTURE WORKS
• 5.1. CN vs AD
• 5.2. CN vs MCI
• 5.3. MCI vs AD
• PHỤ LỤC
• TÀI LIỆU THAM KHẢO

I. Tổng Quan Chẩn đoán sớm Alzheimer bằng Machine Learning

Bệnh Alzheimer (AD) là một thách thức y tế toàn cầu, đặc biệt khi dân số ngày càng già hóa. Chẩn đoán sớm và chính xác, đặc biệt là ở giai đoạn suy giảm nhận thức nhẹ (MCI), đóng vai trò quan trọng trong việc quản lý và điều trị bệnh. Nghiên cứu gần đây cho thấy dữ liệu giải trình tự gen và hình ảnh học thần kinh (MRI, PET) cung cấp thông tin bổ sung lẫn nhau, cho phép đánh giá bệnh tốt hơn khi kết hợp. Các phương pháp hợp nhất dữ liệu tiên tiến, đặc biệt là dựa trên Machine Learning, đang mở ra những hướng đi mới đầy hứa hẹn. Bài viết này đi sâu vào tiềm năng của Machine Learning trong việc chẩn đoán Alzheimer, tập trung vào phân tích dữ liệu đa dạng từ giải trình tự gen, MRI và PET. Theo ước tính, số người mắc bệnh Alzheimer trên toàn thế giới là khoảng 50 triệu vào năm 2020 và dự kiến sẽ đạt 152 triệu vào năm 2050. Chính vì vậy việc nghiên cứu và phát triển các phương pháp chẩn đoán sớm là vô cùng cần thiết.

1.1. Tầm quan trọng của chẩn đoán sớm bệnh Alzheimer AD

Chẩn đoán sớm AD, đặc biệt ở giai đoạn MCI, là then chốt để can thiệp kịp thời. Việc phát hiện sớm cho phép bệnh nhân và bác sĩ đưa ra các quyết định điều trị, quản lý triệu chứng và lập kế hoạch cho tương lai. Chẩn đoán sớm cũng tạo điều kiện thuận lợi cho việc tham gia vào các thử nghiệm lâm sàng, giúp đẩy nhanh quá trình phát triển các phương pháp điều trị hiệu quả hơn. Hơn nữa, việc phát hiện sớm có thể giúp làm chậm sự tiến triển của bệnh bằng cách áp dụng các biện pháp can thiệp lối sống và các liệu pháp hiện có. Do đó, phát triển các công cụ chẩn đoán chính xác và đáng tin cậy là rất quan trọng trong cuộc chiến chống lại Alzheimer.

1.2. Vai trò của Machine Learning trong chẩn đoán Alzheimer

Machine Learning (ML) cung cấp các công cụ mạnh mẽ để phân tích dữ liệu phức tạp và đa dạng, từ đó hỗ trợ chẩn đoán AD. Các thuật toán ML có thể học hỏi từ dữ liệu giải trình tự gen, hình ảnh MRI và PET, xác định các mẫu và mối quan hệ tinh vi mà con người khó nhận biết. Điều này mở ra cơ hội phát triển các mô hình dự đoán có độ chính xác cao, giúp chẩn đoán sớm và cá nhân hóa phương pháp điều trị. ML cũng giúp giảm thiểu sự can thiệp chủ quan của con người trong quá trình chẩn đoán, đảm bảo tính khách quan và nhất quán. Các nghiên cứu đã chứng minh rằng các phương pháp ML có thể cải thiện đáng kể độ chính xác và hiệu quả của việc chẩn đoán bệnh Alzheimer.

II. Thách Thức Giới hạn các phương pháp chẩn đoán Alzheimer hiện tại

Các phương pháp chẩn đoán Alzheimer truyền thống thường dựa vào đánh giá lâm sàng, kiểm tra nhận thức và hình ảnh học thần kinh. Tuy nhiên, những phương pháp này có những hạn chế nhất định. Đánh giá lâm sàng có thể chủ quan và phụ thuộc vào kinh nghiệm của bác sĩ. Kiểm tra nhận thức có thể bị ảnh hưởng bởi các yếu tố như trình độ học vấn và tâm trạng. Hình ảnh MRI và PET có thể tốn kém và không phải lúc nào cũng có sẵn. Thêm vào đó, các phương pháp kết hợp dữ liệu từ nhiều nguồn khác nhau thường bỏ qua sự tương tác giữa các modality và giả định mối quan hệ tuyến tính. Điều này dẫn đến việc chẩn đoán không chính xác hoặc chậm trễ, đặc biệt ở giai đoạn đầu của bệnh.

2.1. Hạn chế của đánh giá lâm sàng và kiểm tra nhận thức

Đánh giá lâm sàng và kiểm tra nhận thức là những công cụ quan trọng trong chẩn đoán Alzheimer, nhưng chúng có những hạn chế đáng kể. Đánh giá lâm sàng phụ thuộc nhiều vào kinh nghiệm và sự chủ quan của bác sĩ, dẫn đến sự khác biệt trong chẩn đoán giữa các chuyên gia khác nhau. Kiểm tra nhận thức có thể bị ảnh hưởng bởi trình độ học vấn, ngôn ngữ và tâm trạng của bệnh nhân, làm giảm độ tin cậy của kết quả. Ngoài ra, các triệu chứng nhận thức ban đầu của Alzheimer có thể rất tinh tế và dễ bị bỏ qua, đặc biệt ở những người có trình độ học vấn cao hoặc có khả năng bù trừ tốt.

2.2. Chi phí và tính khả dụng của hình ảnh học thần kinh MRI PET

Hình ảnh học thần kinh, bao gồm MRI và PET, cung cấp thông tin quan trọng về cấu trúc và chức năng não, giúp phát hiện các dấu hiệu sớm của Alzheimer. Tuy nhiên, các phương pháp này có chi phí cao và không phải lúc nào cũng có sẵn ở tất cả các cơ sở y tế, đặc biệt là ở các vùng nông thôn hoặc các nước đang phát triển. Ngoài ra, việc đọc và diễn giải hình ảnh MRI và PET đòi hỏi chuyên môn cao và có thể bị ảnh hưởng bởi sự chủ quan của người đánh giá. Những hạn chế này gây khó khăn cho việc chẩn đoán sớm và chính xác Alzheimer trên diện rộng.

2.3. Bỏ qua tương tác phi tuyến tính giữa các modality dữ liệu

Các phương pháp hợp nhất dữ liệu truyền thống thường sử dụng các phương pháp tuyến tính để kết hợp thông tin từ nhiều nguồn khác nhau như dữ liệu giải trình tự gen, MRI và PET. Tuy nhiên, mối quan hệ giữa các modality này có thể phức tạp và phi tuyến tính. Việc bỏ qua những tương tác phi tuyến tính này có thể dẫn đến việc mất thông tin quan trọng và giảm độ chính xác của chẩn đoán. Các phương pháp Machine Learning tiên tiến, đặc biệt là Deep Learning, có khả năng nắm bắt các mối quan hệ phi tuyến tính này, mang lại cơ hội cải thiện đáng kể hiệu quả chẩn đoán Alzheimer.

III. Giải pháp Phương pháp Machine Learning kết hợp đa dữ liệu

Để vượt qua những hạn chế trên, nghiên cứu đã tập trung vào việc phát triển các phương pháp Machine Learning tiên tiến có khả năng tích hợp và phân tích dữ liệu từ nhiều nguồn khác nhau, bao gồm dữ liệu giải trình tự gen, hình ảnh MRI và PET. Các phương pháp này sử dụng các thuật toán phức tạp để học hỏi từ dữ liệu, xác định các mẫu và mối quan hệ quan trọng, và dự đoán nguy cơ mắc bệnh Alzheimer. Hai phương pháp nổi bật là Deep Kernel Learning (DKL) và Tensor Kernel Learning (TKL), tận dụng sức mạnh của cả Tensor Methods và Deep Learning để quản lý dữ liệu đa biến và đa phương thức.

3.1. Deep Kernel Learning DKL cho kết hợp kernel phức tạp

Deep Kernel Learning (DKL) là một phương pháp Machine Learning tiên tiến sử dụng Deep Learning để tự động kết hợp nhiều kernel khác nhau, từ đó khám phá các mối quan hệ phức tạp giữa các modality. DKL là một phiên bản tổng quát của nhiều phương pháp học đa kernel (multi-kernel learning), cho phép mô hình học hỏi các tương tác phi tuyến tính và phụ thuộc lẫn nhau giữa dữ liệu giải trình tự gen, MRI và PET. DKL có khả năng thích ứng với các loại dữ liệu khác nhau và tự động điều chỉnh các tham số để đạt được hiệu suất tốt nhất trong việc chẩn đoán Alzheimer.

3.2. Tensor Kernel Learning TKL với phân tích CP phân giải không âm

Tensor Kernel Learning (TKL) sử dụng phân tích CP phân giải không âm (non-negative CANDECOMP/PARAFAC - CP) để học đa kernel. Các kernel này đóng vai trò là kernel bổ sung, tạo điều kiện cho việc học các kernel tối ưu và cung cấp giải thích tốt hơn. TKL tận dụng cấu trúc tensor của dữ liệu đa chiều để nắm bắt các mối quan hệ phức tạp giữa các biến. Phân tích CP phân giải không âm giúp giảm chiều dữ liệu, loại bỏ nhiễu và làm nổi bật các mẫu quan trọng, từ đó cải thiện độ chính xác của việc chẩn đoán Alzheimer. DKL và TKL bổ sung cho nhau trong thực tế, cung cấp cái nhìn sâu sắc về hợp nhất dữ liệu và học đa kernel.

IV. Ứng dụng Đánh giá hiệu quả DKL và TKL trên dữ liệu ADNI

Hiệu quả của DKL và TKL đã được đánh giá trên dữ liệu từ Sáng kiến Hình ảnh Thần kinh Bệnh Alzheimer (ADNI), bao gồm 331 đối tượng: 121 người có nhận thức bình thường, 100 người bị MCI và 110 bệnh nhân AD. Kết quả cho thấy cả DKL và TKL đều cải thiện việc đánh giá AD so với các phương pháp chỉ sử dụng một modality. Khi được sử dụng cùng nhau, DKL và TKL cung cấp những hiểu biết mới về hợp nhất dữ liệu và học đa kernel. Các nghiên cứu mô phỏng và phân tích dữ liệu sâu hơn cũng cho thấy tiềm năng của các phương pháp này trong việc học các mối quan hệ phức tạp giữa các modality, phù hợp cho cả các thiết lập có giám sát và không giám sát. Các nghiên cứu được thực hiện bởi Vu Duy Thanh cho thấy những hứa hẹn đầy khả quan trong lĩnh vực này.

4.1. Cải thiện độ chính xác chẩn đoán so với phương pháp đơn modality

Các thử nghiệm trên dữ liệu ADNI đã chứng minh rằng cả DKL và TKL đều vượt trội hơn so với các phương pháp chẩn đoán chỉ dựa trên một modality duy nhất (ví dụ: chỉ MRI, chỉ PET hoặc chỉ dữ liệu gen). Việc kết hợp thông tin từ nhiều nguồn khác nhau thông qua Machine Learning giúp tăng cường độ chính xác và độ tin cậy của chẩn đoán. Các mô hình Machine Learning có khả năng học hỏi từ các mẫu phức tạp trong dữ liệu và phát hiện các dấu hiệu sớm của bệnh mà các phương pháp truyền thống có thể bỏ qua.

4.2. Tiềm năng học các mối quan hệ phức tạp giữa các modality

Các nghiên cứu đã chỉ ra rằng DKL và TKL có khả năng học hỏi các mối quan hệ phức tạp và phi tuyến tính giữa các modality dữ liệu khác nhau. Điều này rất quan trọng vì các tương tác giữa dữ liệu gen, MRI và PET có thể rất phức tạp và không thể được nắm bắt bằng các phương pháp tuyến tính đơn giản. Việc học các mối quan hệ này cho phép mô hình Machine Learning đưa ra các dự đoán chính xác hơn và cung cấp cái nhìn sâu sắc hơn về cơ chế bệnh sinh của Alzheimer.

4.3. Phù hợp với cả thiết lập có giám sát và không giám sát

Một ưu điểm quan trọng của DKL và TKL là khả năng hoạt động hiệu quả trong cả các thiết lập có giám sát (supervised) và không giám sát (unsupervised). Trong thiết lập có giám sát, mô hình được huấn luyện trên dữ liệu đã được gán nhãn (ví dụ: bệnh nhân AD, MCI hoặc người khỏe mạnh). Trong thiết lập không giám sát, mô hình phải tự khám phá các mẫu và cấu trúc trong dữ liệu mà không cần nhãn. Khả năng hoạt động trong cả hai thiết lập này làm cho DKL và TKL trở thành các công cụ linh hoạt và mạnh mẽ cho việc nghiên cứu và chẩn đoán Alzheimer.

V. Kết luận Hướng đi tương lai Machine Learning chẩn đoán Alzheimer

Việc ứng dụng Machine Learning trong chẩn đoán bệnh Alzheimer bằng cách phân tích dữ liệu giải trình tự gen, MRI và PET mang lại nhiều hứa hẹn. Các phương pháp như DKL và TKL đã chứng minh khả năng cải thiện độ chính xác và độ tin cậy của chẩn đoán so với các phương pháp truyền thống. Trong tương lai, nghiên cứu sẽ tập trung vào việc phát triển các mô hình Machine Learning phức tạp hơn, tích hợp nhiều loại dữ liệu hơn (ví dụ: dữ liệu lâm sàng, dữ liệu lối sống), và cá nhân hóa phương pháp chẩn đoán và điều trị cho từng bệnh nhân. Cần có thêm nhiều nghiên cứu để xác nhận hiệu quả của các phương pháp này trên các tập dữ liệu lớn hơn và đa dạng hơn, đồng thời giải quyết các vấn đề về đạo đức và bảo mật dữ liệu.

5.1. Phát triển mô hình Machine Learning phức tạp hơn

Hướng đi tương lai của nghiên cứu sẽ tập trung vào việc phát triển các mô hình Machine Learning phức tạp hơn, có khả năng nắm bắt các mối quan hệ tinh vi và đa dạng giữa các yếu tố nguy cơ, dấu hiệu sinh học và triệu chứng lâm sàng của Alzheimer. Các mô hình này có thể sử dụng các kỹ thuật tiên tiến như Deep Learning, mạng nơ-ron tái phát (recurrent neural networks) và mạng nơ-ron tích chập (convolutional neural networks) để xử lý dữ liệu gen, hình ảnh và các loại dữ liệu khác.

5.2. Tích hợp nhiều loại dữ liệu hơn để chẩn đoán toàn diện

Để có được cái nhìn toàn diện hơn về bệnh Alzheimer, các nghiên cứu tương lai sẽ tích hợp nhiều loại dữ liệu hơn, bao gồm dữ liệu lâm sàng (ví dụ: tiền sử bệnh, kết quả kiểm tra nhận thức), dữ liệu lối sống (ví dụ: chế độ ăn uống, tập thể dục), dữ liệu di truyền (ví dụ: biến thể gen) và dữ liệu môi trường (ví dụ: tiếp xúc với chất độc). Việc tích hợp các loại dữ liệu khác nhau sẽ giúp tạo ra các mô hình Machine Learning chính xác hơn và có khả năng dự đoán nguy cơ mắc bệnh và tiến triển bệnh.

5.3. Giải quyết các vấn đề về đạo đức và bảo mật dữ liệu

Việc sử dụng Machine Learning trong chẩn đoán bệnh Alzheimer đặt ra nhiều vấn đề về đạo đức và bảo mật dữ liệu cần được giải quyết. Cần có các quy định và biện pháp bảo vệ để đảm bảo rằng dữ liệu bệnh nhân được sử dụng một cách có trách nhiệm và tuân thủ các nguyên tắc về quyền riêng tư và bảo mật. Ngoài ra, cần phải đảm bảo rằng các mô hình Machine Learning không bị thiên vị và không phân biệt đối xử với bất kỳ nhóm dân số nào. Sự minh bạch và giải thích của các mô hình Machine Learning cũng rất quan trọng để đảm bảo rằng các quyết định chẩn đoán và điều trị được đưa ra một cách công bằng và có thể giải thích được.

Tổng quan nghiên cứu

Alzheimer’s disease (AD) là một bệnh thoái hóa thần kinh phổ biến, ảnh hưởng nghiêm trọng đến trí nhớ và chức năng nhận thức, đặc biệt ở người cao tuổi. Theo ước tính, năm 2020 có khoảng 50 triệu người trên toàn cầu mắc AD, con số này dự kiến tăng lên 152 triệu vào năm 2050, gây ra thách thức lớn về y tế và xã hội. Việc chẩn đoán sớm và chính xác, đặc biệt giai đoạn suy giảm nhận thức nhẹ (MCI), đóng vai trò quan trọng trong quản lý và điều trị bệnh. Tuy nhiên, nguyên nhân chính xác của AD vẫn chưa được hiểu rõ, và bệnh có tính chất phức tạp, ảnh hưởng đa chiều đến các chức năng não bộ.

Nghiên cứu này tập trung phát triển các công cụ học máy nhằm chẩn đoán AD dựa trên dữ liệu đa mô thức, bao gồm toàn bộ trình tự gen (Whole Genome Sequencing), hình ảnh cộng hưởng từ (MRI) và chụp cắt lớp phát xạ positron (PET). Mục tiêu chính là xây dựng khung phân tích dữ liệu đa chiều, khai thác sự bổ sung lẫn nhau giữa các loại dữ liệu để nâng cao độ chính xác chẩn đoán. Nghiên cứu sử dụng bộ dữ liệu ADNI với 331 đối tượng, gồm 121 người bình thường nhận thức, 100 người MCI và 110 bệnh nhân AD, nhằm đánh giá hiệu quả các phương pháp đề xuất. Kết quả nghiên cứu có ý nghĩa quan trọng trong việc cải thiện công tác chẩn đoán và hỗ trợ điều trị AD, đồng thời góp phần phát triển các kỹ thuật học máy ứng dụng trong y sinh.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên các lý thuyết và mô hình sau:

• Biomarkers cho Alzheimer’s Disease: Bao gồm các chỉ số sinh học từ hình ảnh MRI, PET, dịch não tủy (CSF) và dữ liệu di truyền SNP. MRI cung cấp thông tin cấu trúc não, PET phản ánh chuyển hóa glucose và tích tụ beta-amyloid, trong khi CSF đo các protein đặc trưng như amyloid-β42, tau và phospho-tau. Dữ liệu SNP thể hiện biến thể gen liên quan đến AD.

• Phân rã tensor và ma trận: Sử dụng các kỹ thuật phân rã ma trận như Singular Value Decomposition (SVD), Non-negative Matrix Factorization (NMF) và phân rã tensor (CP, Tucker, Tensor Train) để khai thác cấu trúc đa chiều của dữ liệu, giúp giảm chiều và trích xuất đặc trưng tiềm ẩn.

• Phương pháp kernel trong học máy: Kernel là hàm đo độ tương đồng giữa các điểm dữ liệu, cho phép ánh xạ dữ liệu vào không gian đặc trưng cao chiều để xử lý phi tuyến. Các thuật toán như Support Vector Machine (SVM) sử dụng kernel để phân loại hiệu quả.

• Mô hình học sâu và học kernel đa mô thức: Phương pháp Deep Kernel Learning (DKL) kết hợp học sâu với học kernel để tự động học trọng số kết hợp các kernel từ nhiều nguồn dữ liệu, khai thác mối quan hệ phi tuyến phức tạp. Phương pháp Tensor Kernel Learning (TKL) sử dụng phân rã CP không âm trên tensor kernel đa chiều để giải thích và học các tương tác giữa các mô thức dữ liệu.

Phương pháp nghiên cứu

• Nguồn dữ liệu: Bộ dữ liệu Alzheimer’s Disease Neuroimaging Initiative (ADNI) gồm 331 đối tượng (121 bình thường, 100 MCI, 110 AD), với dữ liệu MRI, PET, CSF và SNP.

• Tiền xử lý dữ liệu: Hình ảnh MRI và PET được chuẩn hóa về không gian MNI, phân đoạn mô não, chuẩn hóa cường độ. Dữ liệu SNP được lọc bỏ các biến thể thiếu và mã hóa số lượng biến thể nhỏ.

• Xây dựng kernel: Tạo kernel giám sát (supervised) dựa trên Random Forest và kernel không giám sát (unsupervised) dựa trên khoảng cách RBF giữa các đối tượng.

• Phân tích kernel: Áp dụng hai phương pháp DKL và TKL để kết hợp các kernel đa mô thức, học trọng số kết hợp kernel phức tạp và phân rã tensor kernel.

• Học đặc trưng và phân loại: Sử dụng kỹ thuật học manifold (UMAP) để trích xuất đặc trưng từ kernel kết hợp, sau đó áp dụng các bộ phân loại như SVM và Random Forest để phân loại ba nhóm AD, MCI và bình thường.

• Timeline nghiên cứu: Nghiên cứu được thực hiện trong khoảng thời gian 4 tháng tại phòng thí nghiệm của Đại học Lausanne, kết hợp với các hướng dẫn khoa học từ các giáo sư tại Paris-Saclay và VNU.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả của từng mô thức đơn lẻ: PET và dữ liệu gen SNP cho kết quả phân loại tốt nhất giữa AD và nhóm bình thường, với độ chính xác trung bình lần lượt khoảng 87.7% và 80.5% (GM). Dữ liệu CSF và MRI cũng đóng góp tích cực, trong khi SNP đơn lẻ có độ chính xác khoảng 50% cho các phân nhóm.

2. Mô hình kernel giám sát và không giám sát: Kernel giám sát dựa trên Random Forest thể hiện sự phân biệt rõ ràng hơn giữa các nhóm, đặc biệt là trong PET và MRI, so với kernel không giám sát. Các kernel này phản ánh các mẫu tương đồng đặc trưng của từng nhóm bệnh.

3. Phương pháp kết hợp kernel DKL và TKL: Cả hai phương pháp đều cải thiện hiệu quả phân loại so với sử dụng từng mô thức riêng lẻ. DKL khai thác được các mối quan hệ phi tuyến phức tạp giữa các mô thức, trong khi TKL cung cấp khả năng giải thích thông qua phân rã tensor không âm.

4. Phân loại ba nhóm AD, MCI và bình thường: Sử dụng kernel kết hợp và học manifold, mô hình đạt độ chính xác và AUC cao hơn đáng kể so với các phương pháp truyền thống, với sự ổn định qua nhiều lần thử nghiệm.

Thảo luận kết quả

Nguyên nhân của các phát hiện trên có thể do sự bổ sung thông tin giữa các mô thức dữ liệu khác nhau, ví dụ PET phản ánh chuyển hóa não, MRI cung cấp cấu trúc mô não, và dữ liệu gen thể hiện yếu tố di truyền. Việc kết hợp kernel cho phép khai thác mối quan hệ phức tạp và phi tuyến giữa các mô thức này, vượt trội hơn so với các phương pháp kết hợp tuyến tính truyền thống như cộng hoặc nối đặc trưng.

So sánh với các nghiên cứu trước đây, phương pháp DKL và TKL không chỉ nâng cao hiệu quả phân loại mà còn cung cấp khả năng giải thích và học bán giám sát, phù hợp với tính đa dạng và phức tạp của dữ liệu y sinh. Kết quả có thể được minh họa qua biểu đồ so sánh độ chính xác và AUC giữa các phương pháp, cũng như ma trận kernel thể hiện sự phân biệt nhóm rõ ràng hơn sau khi kết hợp.

Đề xuất và khuyến nghị

1. Triển khai rộng rãi phương pháp học kernel đa mô thức: Áp dụng DKL và TKL trong các trung tâm y tế để hỗ trợ chẩn đoán sớm AD, nâng cao độ chính xác và giảm sai sót trong chẩn đoán.

2. Phát triển hệ thống chẩn đoán tích hợp đa nguồn dữ liệu: Kết hợp dữ liệu hình ảnh, sinh học và gen để xây dựng hệ thống chẩn đoán toàn diện, giúp bác sĩ có cái nhìn đa chiều về bệnh nhân.

3. Nâng cao chất lượng và chuẩn hóa dữ liệu đầu vào: Đầu tư vào quy trình tiền xử lý dữ liệu MRI, PET và gen để đảm bảo tính nhất quán, giảm nhiễu và sai lệch, từ đó cải thiện hiệu quả mô hình.

4. Đào tạo chuyên gia và phát triển phần mềm hỗ trợ: Tổ chức các khóa đào tạo về học máy và phân tích dữ liệu y sinh cho cán bộ y tế, đồng thời phát triển phần mềm ứng dụng dễ sử dụng dựa trên các mô hình đề xuất.

5. Thời gian thực hiện: Các giải pháp trên nên được triển khai trong vòng 1-2 năm tới, bắt đầu từ các nghiên cứu thử nghiệm tại các bệnh viện lớn, sau đó mở rộng ra quy mô toàn quốc.

Đối tượng nên tham khảo luận văn

1. Nhà nghiên cứu y sinh và học máy: Nghiên cứu về ứng dụng học máy trong y tế, đặc biệt là phân tích dữ liệu đa mô thức và phát triển các thuật toán học sâu.

2. Bác sĩ chuyên khoa thần kinh và chẩn đoán hình ảnh: Áp dụng các công cụ hỗ trợ chẩn đoán AD dựa trên dữ liệu hình ảnh và sinh học để nâng cao hiệu quả điều trị.

3. Chuyên gia công nghệ thông tin trong y tế: Phát triển phần mềm, hệ thống hỗ trợ quyết định lâm sàng dựa trên các mô hình học máy tiên tiến.

4. Sinh viên và học viên cao học ngành kỹ thuật truyền thông, dữ liệu và y sinh: Tìm hiểu về các phương pháp phân tích dữ liệu đa chiều, học máy và ứng dụng trong chẩn đoán bệnh.

Câu hỏi thường gặp

1. Phương pháp học kernel là gì và tại sao lại hiệu quả trong chẩn đoán AD?
   Học kernel là kỹ thuật chuyển dữ liệu vào không gian đặc trưng cao chiều để xử lý phi tuyến, giúp phát hiện các mẫu phức tạp trong dữ liệu đa mô thức. Ví dụ, DKL kết hợp học sâu để tự động học trọng số kernel, cải thiện độ chính xác chẩn đoán.

2. Tại sao cần kết hợp dữ liệu MRI, PET và gen trong nghiên cứu AD?
   Mỗi loại dữ liệu cung cấp thông tin khác nhau: MRI cho cấu trúc não, PET cho chuyển hóa, gen cho yếu tố di truyền. Kết hợp giúp khai thác đầy đủ thông tin, tăng khả năng phát hiện bệnh sớm.

3. Phân rã tensor có vai trò gì trong phân tích dữ liệu y sinh?
   Phân rã tensor giúp trích xuất các thành phần tiềm ẩn trong dữ liệu đa chiều, giảm chiều dữ liệu và giải thích mối quan hệ giữa các mô thức, hỗ trợ việc học máy hiệu quả hơn.

4. Làm thế nào để đảm bảo dữ liệu hình ảnh MRI và PET đồng nhất khi phân tích?
   Thông qua các bước tiền xử lý như chuẩn hóa không gian (MNI), đăng ký ảnh, chuẩn hóa cường độ và phân đoạn mô, giúp dữ liệu đồng nhất và giảm sai lệch.

5. Phương pháp đề xuất có thể áp dụng cho các bệnh khác không?
   Có, khung học kernel đa mô thức và phân rã tensor có thể áp dụng cho các bệnh khác có dữ liệu đa chiều như ung thư, Parkinson, giúp cải thiện chẩn đoán và dự báo.

Kết luận

• Phát triển thành công khung học máy kết hợp dữ liệu đa mô thức (gen, MRI, PET, CSF) cho chẩn đoán Alzheimer’s Disease.
• Đề xuất hai phương pháp mới: Deep Kernel Learning (DKL) và Tensor Kernel Learning (TKL), cải thiện độ chính xác và khả năng giải thích.
• Ứng dụng trên bộ dữ liệu ADNI với 331 đối tượng, đạt hiệu quả phân loại vượt trội so với phương pháp đơn mô thức.
• Kết quả mở ra hướng phát triển các công cụ hỗ trợ chẩn đoán sớm và cá nhân hóa điều trị AD.
• Khuyến nghị triển khai ứng dụng trong thực tế lâm sàng và mở rộng nghiên cứu cho các bệnh lý thần kinh khác.

Hãy tiếp tục nghiên cứu và ứng dụng các phương pháp học máy đa mô thức để nâng cao chất lượng chẩn đoán và điều trị bệnh Alzheimer’s Disease.