Tổng quan luận án
Luận án tiến sĩ với đề tài "Nghiên cứu một số phương pháp giảm chiều dữ liệu, ứng dụng trong bài toán phân lớp bệnh nhân" do nghiên cứu sinh Giang Thành Trung thực hiện dưới sự hướng dẫn khoa học của PGS. Trần Đăng Hưng và TS. Lê Nguyên Khôi, thuộc chuyên ngành Hệ thống thông tin (mã số: 9480104.01) tại Trường Đại học Công nghệ, Đại học Quốc gia Hà Nội.
Tính cấp thiết và khoảng trống nghiên cứu
Trong lĩnh vực khoa học sự sống và y sinh học, sự phát triển của các thiết bị thí nghiệm và đo đạc công nghệ cao đã tạo ra khối lượng dữ liệu rất lớn, bao gồm dữ liệu sinh học phân tử (biểu hiện gen, methyl hóa DNA, biểu hiện miRNA, biểu hiện protein), dữ liệu lâm sàng và dữ liệu hình ảnh y tế (chụp cộng hưởng từ - MRI, chụp cắt lớp vi tính - CT). Các tập dữ liệu này có đặc điểm chung là số chiều (số lượng thuộc tính, đặc trưng) rất lớn, thường từ vài nghìn đến hàng triệu chiều (ví dụ: một tập dữ liệu microarray có từ vài nghìn đến vài chục nghìn gen; dữ liệu ảnh y tế 3 chiều chứa số lượng điểm ảnh tăng theo cấp số nhân).
Số chiều dữ liệu quá lớn gây ra hiện tượng bùng nổ không gian tìm kiếm, đòi hỏi chi phí tính toán cao vượt quá khả năng đáp ứng của các hệ thống máy tính thông thường, đồng thời làm tăng nguy cơ quá khớp dữ liệu và giảm độ chính xác của các mô hình học máy do sự hiện diện của các thuộc tính dư thừa hoặc gây nhiễu. Do đó, giảm chiều dữ liệu là bước tiền xử lý kỹ thuật cần thiết để chuyển đổi dữ liệu về không gian có số chiều thấp hơn mà vẫn bảo toàn bản chất thông tin.
Khoảng trống nghiên cứu được tác giả xác định xuất phát từ hai thách thức lớn trong xử lý dữ liệu y sinh học hiện nay:
- Dữ liệu y sinh học thường xuyên xuất hiện dữ liệu nhiễu, dữ liệu thưa và các điểm ngoại lai. Nếu phân tích trực tiếp trên dữ liệu gốc chưa qua xử lý phù hợp, kết quả phân lớp sẽ bị sai lệch.
- Dữ liệu y sinh học được thu thập từ nhiều nguồn khác nhau với các độ đo khác nhau. Nhu cầu bức thiết đặt ra là phải tích hợp đa nguồn dữ liệu đồng thời với việc giảm chiều dữ liệu để khai thác tối đa thông tin hỗ trợ phân lớp bệnh nhân. Tuy nhiên, các phương pháp tích hợp kết hợp giảm chiều hiện có (như MKL-DR) lại gặp hạn chế lớn về chi phí thời gian tính toán do các phép nhân chuỗi ma trận lặp lại.
Câu hỏi nghiên cứu
Luận án đặt ra ba câu hỏi nghiên cứu cụ thể:
- Làm sao để khắc phục những tồn tại của phương pháp tích hợp dữ liệu kết hợp giảm chiều dữ liệu?
- Làm sao để ứng dụng phương pháp phân tích thành phần chính tăng cường trong giảm chiều dữ liệu y sinh học?
- Làm sao để ứng dụng các phương pháp giảm chiều dữ liệu vào giải quyết bài toán phân lớp bệnh nhân?
Mục tiêu nghiên cứu
Để giải quyết ba câu hỏi nghiên cứu trên, luận án xác định ba mục tiêu chính:
- Đề xuất cải tiến phương pháp tích hợp dữ liệu kết hợp giảm chiều dữ liệu.
- Nghiên cứu vận dụng phương pháp phân tích thành phần chính tăng cường trong giảm chiều dữ liệu y sinh học.
- Đề xuất mô hình phân lớp bệnh nhân ứng dụng các phương pháp giảm chiều đã nghiên cứu nhằm tạo ra một công cụ hỗ trợ quá trình chẩn đoán và điều trị bệnh.
Đối tượng và phạm vi nghiên cứu
- Đối tượng nghiên cứu: Các phương pháp giảm chiều dữ liệu (phương pháp lựa chọn đặc trưng, phương pháp trích chọn đặc trưng tuyến tính và phi tuyến, học đa hàm nhân MKL, phân tích thành phần chính PCA, phân tích thành phần chính tăng cường RPCA) và các mô hình phân lớp bệnh nhân.
- Phạm vi nghiên cứu:
- Về mặt dữ liệu: Tập trung vào dữ liệu sinh học phân tử và dữ liệu hình ảnh y tế. Cụ thể bao gồm 4 tập dữ liệu bệnh nhân ung thư: Ung thư phổi (LUNG - 106 mẫu), Ung thư não (Glioblastoma Multiforme, GBM - 275 mẫu), Ung thư vú (Breast Invasive Carcinoma, BREAST - 435 mẫu), Ung thư buồng trứng (Ovarian Serous Cystadenocarcinoma, OV - 541 mẫu) với ba dạng dữ liệu phân tử gồm biểu hiện gen (GE), methyl hóa DNA (DNA) và biểu hiện miRNA (RNA). Đối với dữ liệu hình ảnh, luận án sử dụng tập dữ liệu ảnh chụp cộng hưởng từ (MRI) não bộ và chỉ số trắc nghiệm trí tuệ (MMSE) của bệnh nhân Alzheimer thuộc cơ sở dữ liệu ADNI (Alzheimer's Disease Neuroimaging Initiative).
- Về mặt bài toán ứng dụng: Bài toán phân lớp bệnh nhân ung thư và bài toán phân loại trạng thái bệnh nhân Alzheimer.
Tổng quan tài liệu và vị trí của luận án
Luận án thực hiện tổng hợp và phân loại có hệ thống các công trình nghiên cứu trong và ngoài nước về giảm chiều dữ liệu theo các nhánh kỹ thuật chính:
Giảm chiều dữ liệu trong y sinh học
Lựa chọn đặc trưng Trích chọn đặc trưng Phương pháp lai
Các hướng nghiên cứu đã được điểm lại
-
Hướng tiếp cận Lựa chọn đặc trưng (Feature Selection):
- Phương pháp lọc (Filter Methods): Đánh giá và xếp hạng biến độc lập với thuật toán học máy. Lin và Chen sử dụng phân cụm thống kê dựa trên quan hệ tuyến tính và hệ số tương quan cho dữ liệu cDNA ung thư vú; Sun và cộng sự đề xuất phương pháp học cục bộ; Zhu và cộng sự dùng entropy dựa trên mô hình; Mortazavi và cộng sự (2016) áp dụng lý thuyết trò chơi cộng tác đa pha trên 11 tập microarray; Dashtban và cộng sự (2017) phát triển phương pháp chọn gen dựa trên thuật toán di truyền.
- Phương pháp bao gói (Wrapper Methods): Sử dụng thuật toán học máy để đánh giá tập con đặc trưng. Nhóm tuần tự gồm SFS, SFFS và ASFFS (Novovičová và Paclik). Nhóm tiến hóa gồm Maugis và cộng sự (2009) dùng mô hình hỗn hợp Gaussian; Ai-Jun và Xin-Yuan áp dụng Bayesian với chuỗi Markov Monte Carlo; Ji và cộng sự dùng bình phương tối thiểu từng phần (PLS); Sharma và cộng sự đề xuất thuật toán Top-r; Cadenas và cộng sự phát triển rừng ngẫu nhiên mờ (FRF); Srivastava (2014) đánh giá lọc và bao gói trên dữ liệu ung thư máu và buồng trứng; Kar và cộng sự (2016) kết hợp kiểm định t-test với tối ưu hóa bầy đàn (PSO).
- Phương pháp nhúng (Embedded Methods): Tích hợp việc chọn đặc trưng vào pha huấn luyện mô hình. Niijima và Okuno đề xuất LLDA-RFE dựa trên phân tích phân tách tuyến tính Laplacian; Maldonado và cộng sự xây dựng phương pháp KP-SVM với nhân RBF; Xiang và cộng sự phát triển hồi quy bình phương tối thiểu phân tách (LSR); Liang dùng k-láng giềng gần nhất (MS-kNN); Cao và cộng sự dùng mô tả dữ liệu vector hỗ trợ (SVDD); Zhang và cộng sự (2019) kết hợp mạng nơ-ron với chuẩn phạt Group Lasso.
-
Hướng tiếp cận Trích chọn đặc trưng (Feature Extraction):
- Phương pháp tuyến tính: Phân tích thành phần chính PCA (Jolliffe) dựa trên ma trận hiệp phương sai và vector riêng; Tỉ lệ đa chiều cổ điển MDS (Li) cho dữ liệu gen.
- Phương pháp phi tuyến tính: Kernel-PCA (Schölkopf, Smola, Cristianini); Nhúng tuyến tính cục bộ (LLE), Laplacian Eigenmaps (LE); Ánh xạ tự tổ chức (SOM); Phân tích thành phần độc lập (ICA) của Hyvärinen; C-KPCA của Hà và cộng sự (2016); Phương pháp học đa hàm nhân kết hợp giảm chiều dữ liệu MKL-DR của Lin và cộng sự.
- Học sâu (Deep Learning): Bộ tự mã hóa sâu (Deep Autoencoder / Stacked Denoising Autoencoders) của Vincent và cộng sự, Baldi; các ứng dụng của Halici trong phân loại tín hiệu điện não, Hendrix trong phân loại ung thư từ biểu hiện gen, Cheng trong tái tạo cấu trúc protein, và mô hình bộ tự mã hóa tích chập chẩn đoán Alzheimer từ ảnh MRI não bộ (2021).
-
Hướng tiếp cận Phương pháp Lai (Hybrid Methods):
- Kết hợp giữa phương pháp lọc/trích chọn và phương pháp bao gói (Huang và cộng sự).
- Kết hợp giữa thuật toán mRMR với các kỹ thuật tối ưu bầy đàn hoặc thuật toán di truyền: Hu và cộng sự (mRMR-NMI), Akadi và cộng sự (mRMR-GA), Shreem và cộng sự (ReliefF-mRMR-GA), Alshamlan và cộng sự (mRMR-ABC và Genetic Bee Colony - GBC năm 2015).
- Các kỹ thuật lai khác: Tìm kiếm Tabu kết hợp BPSO (Chuang và cộng sự), GANN (Tong và Mintram), k-cặp điểm cao nhất k-TSP (Shi và cộng sự, 2011), ISODATA mờ (Liu), Máy vector hỗ trợ mờ Fuzzy-SVM (Hajiloo), phân tích tương quan dấu hiệu lâm sàng và gen đánh dấu (Chang, 2013), lai giữa chọn và trích đặc trưng cho phân cụm văn bản (Bharti và cộng sự, 2015).
Khoảng trống luận án lựa chọn giải quyết
Mặc dù MKL-DR là phương pháp thích hợp để tích hợp đa nguồn dữ liệu và giảm chiều, thuật toán gốc của Lin đòi hỏi chi phí tính toán rất lớn do phải lặp lại các phép tính chuỗi ma trận bậc hai và bậc ba trên tập mẫu lớn. Mặt khác, các kỹ thuật trích chọn phổ biến như PCA truyền thống rất nhạy cảm với dữ liệu nhiễu và ngoại lai. Luận án tập trung giải quyết việc tối ưu hóa thời gian tính toán cho MKL-DR (đề xuất thuật toán fMKL-DR) và khai thác kỹ thuật RPCA để tách lọc ma trận thưa chứa các đặc trưng dị biệt có ý nghĩa phân lớp trong dữ liệu biểu hiện gen y sinh học.
Cơ sở lý thuyết và phương pháp nghiên cứu
Khung lý thuyết và khái niệm sử dụng
-
Bài toán giảm chiều dữ liệu:
Cho tập dữ liệu đầu vào $X$ có số chiều ban đầu là $S$. Bài toán giảm chiều là việc tìm hàm ánh xạ:
$$f: \mathbb{R}^S \to \mathbb{R}^D \quad (D \ll S)$$
nhằm biến đổi một điểm dữ liệu từ không gian cao chiều $\mathbb{R}^S$ thành điểm dữ liệu trong không gian thấp chiều $\mathbb{R}^D$ mà vẫn bảo toàn cấu trúc thông tin của dữ liệu gốc.
-
Phương pháp Học đa hàm nhân (Multiple Kernel Learning - MKL) và Nhúng đồ thị (Graph Embedding):
- Sử dụng các ma trận nhân cơ sở biểu diễn các nguồn dữ liệu khác nhau, học tổ hợp tuyến tính của các nhân để tạo thành một nhân kết hợp tối ưu.
- Ứng dụng khung nhúng đồ thị để bảo toàn cấu trúc lân cận cục bộ và cấu trúc toàn cục của dữ liệu trong không gian mới.
- Giải bài toán tối ưu bằng kỹ thuật quy hoạch bán xác định (Semidefinite Programming - SDP).
-
Phương pháp Phân tích thành phần chính tăng cường (Robust PCA - RPCA):
- Mô hình hóa ma trận dữ liệu gốc $X$ thành tổng của hai ma trận thành phần:
$$X = L + S$$
Trong đó: $L$ là ma trận có hạng thấp (Low-rank matrix) đại diện cho các thành phần chính, có cấu trúc đồng nhất; $S$ là ma trận thưa (Sparse matrix) chứa các phần tử ngoại lai, dữ liệu nhiễu hoặc các đặc trưng có sự biến thiên khác biệt lớn.
- Nghiên cứu sử dụng hai thuật toán giải bài toán tối ưu RPCA: Thuật toán nhân tử Lagrange tăng cường chính xác (Exact Augmented Lagrange Multipliers - EALM) và Thuật toán nhân tử Lagrange tăng cường không chính xác (Inexact Augmented Lagrange Multipliers - IALM).
Phương pháp nghiên cứu và công cụ thực hiện
- Nghiên cứu định lượng và thực nghiệm:
- Tiền xử lý dữ liệu: Xây dựng và cài đặt các module xử lý dữ liệu bằng ngôn ngữ lập trình C#.
- Huấn luyện và giảm chiều: Cài đặt và thực thi các thuật toán giảm chiều (PCA, RPCA, MKL-DR, fMKL-DR), thuật toán nhân chuỗi ma trận tối ưu (Matrix Chain Multiplication Ordering Procedure - MCMO) và mô hình phân lớp (SVM với thư viện LibSVM, wMKL) trên môi trường tính toán Matlab.
- Phân tích thống kê: Sử dụng phần mềm thống kê SPSS để thực hiện kiểm định giả thuyết thống kê.
Thiết kế thực nghiệm và tiêu chí đánh giá
- Phân chia dữ liệu: Dữ liệu được phân chia ngẫu nhiên thành 2/3 dành cho tập huấn luyện (training set) và 1/3 dành cho tập kiểm thử (testing set). Quá trình phân lớp được lặp lại 20 lần độc lập để lấy giá trị trung bình cộng.
- Thước đo đánh giá:
- Độ chính xác phân lớp (Accuracy, tính bằng đơn vị %).
- Diện tích dưới đường cong ROC (Area Under the Curve - AUC).
- Kiểm định thống kê: Áp dụng kiểm định $t$-test mẫu đơn (One-sample $t$-test) ở độ tin cậy 95% nhằm khẳng định giá trị trung bình độ chính xác và AUC của 20 lần chạy lớn hơn một giá trị ngưỡng kiểm định so sánh $a$ (giá trị $a$ được chọn là giá trị độ chính xác hoặc AUC lớn thứ hai thu được trong 20 lần chạy). Miền bác bỏ giả thuyết $H_0$ được xác định khi giá trị thống kê $t > 1,729$ (theo bảng phân phối Student với bậc tự do $df = 19$) và $p\text{-value} < 0,05$.
Nội dung chính theo từng chương
Chương 1: Tổng quan về giảm chiều dữ liệu và ứng dụng trong xử lý dữ liệu y sinh học
Chương này hệ thống hóa các khái niệm, cơ sở toán học và đặc thù của dữ liệu y sinh học (kích thước mẫu nhỏ nhưng số chiều biến thiên từ hàng nghìn đến hàng triệu). Tác giả tiến hành phân tích chi tiết ưu điểm và nhược điểm của các nhóm phương pháp giảm chiều dữ liệu chính:
| Nhóm phương pháp |
Phân loại con |
Ưu điểm chính |
Nhược điểm chính |
| Lựa chọn đặc trưng |
Phương pháp Lọc (Filter) |
Tốc độ nhanh, khả năng mở rộng tốt, độc lập với bộ phân lớp. |
Bỏ qua sự phụ thuộc và tương tác giữa các đặc trưng; có thể giữ lại biến dư thừa. |
|
Phương pháp Bao gói (Wrapper) |
Tận dụng sự tương tác giữa các đặc trưng, độ chính xác phân lớp thường cao hơn phương pháp lọc. |
Chi phí tính toán lớn do phải huấn luyện lặp đi lặp lại mô hình; dễ xảy ra hiện tượng quá khớp. |
|
Phương pháp Nhúng (Embedded) |
Độ phức tạp tính toán thấp hơn bao gói, độ chính xác cao hơn lọc, giữ tính giải thích của dữ liệu. |
Phụ thuộc vào bộ phân lớp được tích hợp; cần xem xét mối quan hệ giữa các đặc trưng. |
| Trích chọn đặc trưng |
Tuyến tính & Phi tuyến |
Khả năng phân tách dữ liệu tốt; kiểm soát tốt hiện tượng quá khớp trên dữ liệu không nhãn. |
Làm mất tính hiểu được (tính giải thích) trực tiếp của thuộc tính gốc; chi phí biến đổi ma trận lớn. |
| Phương pháp Lai |
Lọc/Trích chọn + Bao gói |
Đạt độ chính xác cao, chi phí tính toán thấp hơn bao gói thuần túy, ổn định khi số chiều tăng. |
Vẫn phụ thuộc vào bộ phân lớp và cách thức kết hợp các giải thuật thành phần. |
Chương 1 kết luận về hai thách thức cốt lõi cần giải quyết: tích hợp đa nguồn dữ liệu y sinh học có số chiều lớn và xử lý hiện tượng dữ liệu thưa, nhiễu, ngoại lai.
Chương 2: Phân lớp bệnh nhân hiệu quả dựa trên học đa hàm nhân kết hợp giảm chiều dữ liệu
Chương 2 tập trung giải quyết bài toán tích hợp dữ liệu đồng thời với giảm chiều dữ liệu y sinh học:
- Phân tích khung MKL-DR gốc: Phương pháp MKL-DR kết hợp học đa hàm nhân với kỹ thuật nhúng đồ thị, cho phép tối ưu hóa không gian biểu diễn từ nhiều ma trận nhân. Tuy nhiên, thuật toán tồn tại điểm nghẽn nghiêm trọng về chi phí thời gian do việc lặp lại các phép nhân chuỗi ma trận kích thước lớn trong quá trình tối ưu hóa.
- Đề xuất thuật toán fMKL-DR: Tác giả đề xuất phương pháp fMKL-DR (Fast Multiple Kernel Learning for Dimensionality Reduction), ứng dụng thủ tục tối ưu hóa thứ tự nhân tích chuỗi ma trận (MCMO - Matrix Chain Multiplication Ordering Procedure). Cải tiến này giúp giảm đáng kể thời gian tính toán của thuật toán qua các vòng lặp mà vẫn đảm bảo tính toán chính xác giá trị hàm mục tiêu.
- Mô hình phân lớp thực nghiệm:
- Xây dựng mô hình tích hợp dữ liệu bệnh nhân ung thư từ nhiều nguồn phân tử khác nhau.
- Xây dựng mô hình phân lớp bệnh nhân Alzheimer (AD) dựa trên dữ liệu hình ảnh cộng hưởng từ (MRI) não bộ từ cơ sở dữ liệu ADNI kết hợp với điểm số trắc nghiệm nhận thức MMSE. Kết quả thực nghiệm cho thấy mô hình đạt độ chính xác và AUC ổn định, hỗ trợ việc phát hiện sớm trạng thái bệnh.
Chương 3: Phân lớp bệnh nhân dựa trên phương pháp phân tích thành phần chính tăng cường
Chương 3 trình bày giải pháp xử lý dữ liệu ngoại lai, nhiễu và thưa trong dữ liệu y sinh học:
- Phương pháp tiếp cận dựa trên RPCA: Phân tích ma trận dữ liệu ban đầu $X$ thành ma trận hạng thấp $L$ và ma trận thưa $S$. Khác với PCA thông thường cố gắng giảm thiểu phần dư, phương pháp đề xuất của luận án sử dụng chính ma trận thưa $S$ từ RPCA để sàng lọc và trích chọn các gen có sự khác biệt (differentially expressed genes), loại bỏ các gen không liên quan và dữ liệu nhiễu.
- Mô hình phân lớp tích hợp wMKL: Sau khi tiền xử lý bằng RPCA để trích chọn đặc trưng trên từng loại dữ liệu (Biểu hiện Gene, Methyl hóa DNA, Biểu hiện miRNA), các bộ phân lớp thành phần được xây dựng và tích hợp lại bằng mô hình học đa hàm nhân có trọng số (wMKL).
- Kết quả thực nghiệm trên các tập dữ liệu ung thư:
So sánh độ chính xác giữa dữ liệu gốc và dữ liệu xử lý bằng RPCA:
Trên cả 4 loại ung thư, dữ liệu sau khi được xử lý bằng RPCA đều cho độ chính xác phân lớp cao hơn rõ rệt so với dữ liệu gốc trên từng loại dữ liệu đơn lẻ:
| Bệnh ung thư |
Số lượng mẫu |
Độ chính xác dữ liệu gốc (%) |
|
|
Độ chính xác dữ liệu qua RPCA (%) |
|
|
|
|
Biểu hiện Gene |
Methyl hóa DNA |
Biểu hiện miRNA |
Biểu hiện Gene ($C_{GE}$) |
Methyl hóa DNA ($C_{DNA}$) |
Biểu hiện miRNA ($C_{RNA}$) |
| LUNG |
106 |
61,88 |
64,85 |
70,94 |
64,68 |
67,81 |
71,41 |
| GBM |
275 |
74,22 |
75,28 |
76,39 |
80,83 |
76,39 |
80,88 |
| BREAST |
435 |
88,10 |
88,03 |
91,48 |
90,14 |
90,10 |
91,51 |
| OV |
541 |
59,22 |
58,22 |
54,92 |
68,72 |
67,61 |
66,50 |
Hiệu quả tích hợp đa nguồn dữ liệu:
Khi tích hợp kết hợp 2 nguồn dữ liệu ($C_{GE-DNA}, C_{GE-RNA}, C_{DNA-RNA}$) và tích hợp toàn bộ cả 3 nguồn dữ liệu ($C_C$), độ chính xác và giá trị AUC đều tăng vượt trội so với từng nguồn đơn lẻ:
| Bệnh ung thư |
Số lượng mẫu |
Độ chính xác $C_{GE-DNA}$ (%) |
Độ chính xác $C_{GE-RNA}$ (%) |
Độ chính xác $C_{DNA-RNA}$ (%) |
Độ chính xác tích hợp 3 nguồn $C_C$ (%) |
Giá trị kiểm định $a$ ($C_C'$) (%) |
| LUNG |
106 |
69,22 |
72,66 |
72,35 |
77,35 |
76,65 |
| GBM |
275 |
81,67 |
82,72 |
81,61 |
85,23 |
84,80 |
| BREAST |
435 |
91,44 |
91,43 |
92,17 |
92,92 |
92,73 |
| OV |
541 |
69,25 |
68,70 |
67,64 |
69,80 |
69,56 |
Kết quả đo diện tích dưới đường cong ROC (AUC):
| Bệnh ung thư |
AUC $C_{GE-DNA}$ |
AUC $C_{GE-RNA}$ |
AUC $C_{DNA-RNA}$ |
AUC tích hợp 3 nguồn $C_C$ |
Ngưỡng kiểm định $a$ ($C_C'$) |
| LUNG |
0,7324 |
0,7093 |
0,7225 |
0,8135 |
0,8105 |
| GBM |
0,7383 |
0,7066 |
0,7251 |
0,7683 |
0,7671 |
| BREAST |
0,7241 |
0,7624 |
0,7498 |
0,7925 |
0,7915 |
| OV |
0,6217 |
0,6255 |
0,6132 |
0,6746 |
0,6738 |
Kết quả kiểm định thống kê t-test trên phần mềm SPSS (Độ tin cậy 95%, N = 20 lần chạy):
| Chỉ số kiểm định |
Loại bệnh ung thư |
Số lần chạy ($N$) |
Giá trị thống kê $t$ |
$p\text{-value}$ |
Giá trị so sánh Test Value ($a$) |
Kết luận thống kê |
| Độ chính xác |
LUNG |
20 |
1,883 |
0,039 |
76,65 |
Bác bỏ $H_0$, có ý nghĩa thống kê ($t > 1,729; p < 0,05$) |
|
OV |
20 |
1,812 |
0,043 |
69,56 |
Bác bỏ $H_0$, có ý nghĩa thống kê ($t > 1,729; p < 0,05$) |
| Giá trị AUC |
LUNG |
20 |
1,785 |
0,0450 |
0,8105 |
Bác bỏ $H_0$, có ý nghĩa thống kê ($t > 1,729; p < 0,05$) |
|
GBM |
20 |
1,752 |
0,0480 |
0,7671 |
Bác bỏ $H_0$, có ý nghĩa thống kê ($t > 1,729; p < 0,05$) |
|
BREAST |
20 |
1,732 |
0,0495 |
0,7915 |
Bác bỏ $H_0$, có ý nghĩa thống kê ($t > 1,729; p < 0,05$) |
|
OV |
20 |
1,802 |
0,0435 |
0,6738 |
Bác bỏ $H_0$, có ý nghĩa thống kê ($t > 1,729; p < 0,05$) |
Kết quả kiểm định khẳng định giả thuyết nghiên cứu được chấp nhận: việc phân tích trên dữ liệu tích hợp đa nguồn sau khi tiền xử lý bằng RPCA cho hiệu năng phân lớp cao hơn có ý nghĩa thống kê so với phân tích trên từng nguồn dữ liệu đơn lẻ.
Kết quả và những đóng góp mới
Luận án tự xác định 3 đóng góp khoa học chính về mặt lý luận và thực tiễn:
- Đóng góp về thuật toán giảm chiều dữ liệu tích hợp: Luận án đã đề xuất phương pháp fMKL-DR nhằm khắc phục hạn chế về chi phí thời gian tính toán của phương pháp MKL-DR gốc. Thông qua việc ứng dụng thủ tục tối ưu hóa thứ tự nhân tích chuỗi ma trận (MCMO), fMKL-DR giảm đáng kể thời gian thực thi thuật toán mà vẫn bảo toàn độ chính xác của mô hình học đa hàm nhân kết hợp giảm chiều. (Công bố tại các công trình
[GTTrung-1] và [GTTrung-2]).
- Đóng góp về xây dựng mô hình phân lớp bệnh nhân dựa trên fMKL-DR:
- Xây dựng mô hình tích hợp dữ liệu bệnh nhân ung thư từ nhiều nguồn dữ liệu sinh học phân tử khác nhau, cho kết quả phân lớp đạt độ chính xác cao, hỗ trợ phân loại và chẩn đoán điều trị ung thư.
- Xây dựng mô hình phân lớp bệnh nhân Alzheimer dựa trên dữ liệu ảnh cộng hưởng từ (MRI) não bộ, trợ giúp phát hiện sớm trạng thái tiến triển bệnh để xây dựng phác đồ điều trị phù hợp. (Công bố tại công trình
[GTTrung-3]).
- Đóng góp về mô hình phân lớp dựa trên Phân tích thành phần chính tăng cường (RPCA): Đề xuất giải pháp giảm chiều dữ liệu bằng cách khai thác ma trận thưa trong RPCA để chọn lọc các đặc trưng gen khác biệt, khắc phục tính nhạy cảm với dữ liệu nhiễu và ngoại lai của PCA truyền thống. Từ đó, xây dựng mô hình phân lớp bệnh nhân ung thư đa nguồn dựa trên phương pháp học đa hàm nhân wMKL. (Công bố tại công trình
[GTTrung-4]).
Kiến nghị và giải pháp đề xuất: Luận án đề xuất ứng dụng các khung thuật toán fMKL-DR và mô hình kết hợp RPCA-wMKL vào các hệ thống trợ giúp ra quyết định y tế (Clinical Decision Support Systems) tại các cơ sở y tế nhằm tự động hóa việc phân nhóm bệnh nhân dựa trên dữ liệu đa omics và hình ảnh y tế.
Hạn chế và hướng nghiên cứu tiếp
Hạn chế của luận án
Theo công bố của tác giả trong văn bản, luận án còn hai hạn chế chính:
- Mặc dù các phương pháp đề xuất đã nâng cao độ chính xác phân lớp trên hầu hết các tập dữ liệu, đối với một số tập dữ liệu bệnh nhân ung thư phức tạp (cụ thể là tập dữ liệu bệnh nhân ung thư buồng trứng - OV), kết quả phân lớp đạt được mới chỉ dừng lại ở mức độ chấp nhận được ($69,80%$).
- Về phạm vi loại dữ liệu, thực nghiệm của luận án mới giới hạn ở bốn loại dữ liệu y sinh học (biểu hiện gen, methyl hóa DNA, biểu hiện miRNA và hình ảnh MRI), chưa có điều kiện tích hợp thêm các nguồn dữ liệu sinh học phân tử mới xuất hiện khác để tiếp tục nâng cao độ chính xác của mô hình.
Hướng nghiên cứu tiếp theo
Luận án đề xuất ba hướng nghiên cứu tiếp theo:
- Tiếp tục nghiên cứu và cập nhật các phương pháp giảm chiều dữ liệu mới, đặc biệt là các kiến trúc học sâu (Deep Learning, Deep Autoencoders) ứng dụng trong giảm chiều dữ liệu y sinh học.
- Xây dựng các bộ công cụ phần mềm giảm chiều dữ liệu chuyên dụng nhằm xử lý và tích hợp thống nhất các tập dữ liệu sinh học phân tử đa nguồn.
- Nghiên cứu phương pháp kết hợp đồng thời giữa dữ liệu hình ảnh y tế (MRI, CT) và dữ liệu sinh học phân tử (microarray) trong cùng một mô hình phân tích để nâng cao chất lượng chẩn đoán bệnh.
Giá trị tham khảo
Luận án có giá trị tham khảo chuyên môn trong các lĩnh vực Hệ thống thông tin, Khoa học dữ liệu và Tin sinh học:
- Đối với nghiên cứu sinh và học viên cao học: Luận án là tài liệu tham khảo chi tiết về cách xây dựng khung phân tích kết hợp giữa học máy và dữ liệu y sinh học; cách giải quyết bài toán nhân chuỗi ma trận tối ưu trong giảm chiều dữ liệu (Chương 2); cách phân rã ma trận hạng thấp và ma trận thưa bằng thuật toán EALM/IALM trong RPCA (Chương 3).
- Đối với giảng viên và nhà nghiên cứu Tin sinh học: Cung cấp quy trình thực nghiệm chuẩn tắc trên các cơ sở dữ liệu y sinh chuẩn (ADNI, dữ liệu ung thư biểu hiện gen, DNA methylation, miRNA), cùng phương pháp kiểm định thống kê $t$-test mẫu đơn trên SPSS với độ tin cậy $95%$ để đánh giá mô hình học máy.
- Đối với các chuyên gia phát triển hệ thống y tế: Cung cấp giải thuật và quy trình tiền xử lý dữ liệu phục vụ xây dựng các module phân loại bệnh nhân tự động trong các hệ thống hỗ trợ ra quyết định lâm sàng.
Câu hỏi thường gặp
1. Thuật toán fMKL-DR được cải tiến từ thuật toán MKL-DR như thế nào?
Thuật toán MKL-DR gốc của Lin gặp hạn chế về chi phí thời gian tính toán do phải thực hiện lặp đi lặp lại các phép nhân chuỗi ma trận trong quá trình tối ưu hóa. Luận án đã đề xuất phương pháp fMKL-DR bằng cách tích hợp thủ tục tính thứ tự nhân tích chuỗi ma trận tối ưu (MCMO - Matrix Chain Multiplication Ordering Procedure), giúp giảm đáng kể thời gian tính toán mà vẫn đảm bảo giữ nguyên hiệu năng và độ chính xác của mô hình.
2. Luận án đã ứng dụng ma trận thưa ($S$) trong phương pháp RPCA vào dữ liệu biểu hiện gen như thế nào?
Phương pháp RPCA phân rã ma trận dữ liệu gốc $X$ thành ma trận hạng thấp $L$ (chứa các thành phần đồng nhất, có cấu trúc chung) và ma trận thưa $S$ (chứa các giá trị khác biệt lớn, ngoại lai). Thay vì cố gắng triệt tiêu phần dư như PCA truyền thống, luận án sử dụng chính ma trận thưa $S$ để lọc ra các gen có sự biểu hiện khác biệt rõ rệt giữa các nhóm bệnh nhân, từ đó loại bỏ các gen không liên quan và dữ liệu nhiễu trước khi đưa vào mô hình phân lớp.
3. Hiệu quả phân lớp thay đổi ra sao khi tích hợp cả 3 loại dữ liệu (Gene, DNA, miRNA) so với việc chỉ dùng dữ liệu đơn lẻ?
Kết quả thực nghiệm trên 4 loại bệnh ung thư (LUNG, GBM, BREAST, OV) cho thấy mô hình tích hợp cả 3 nguồn dữ liệu ($C_C$) luôn đạt độ chính xác và giá trị AUC cao nhất. Cụ thể:
- Bệnh LUNG: Độ chính xác tăng từ $64,68%$ (dữ liệu gen qua RPCA) lên $77,35%$ (tích hợp 3 nguồn); AUC đạt $0,8135$.
- Bệnh GBM: Độ chính xác tăng từ $76,39%$ lên $85,23%$; AUC đạt $0,7683$.
- Bệnh BREAST: Độ chính xác đạt $92,92%$; AUC đạt $0,7925$.
- Bệnh OV: Độ chính xác tăng từ $66,50%$ lên $69,80%$; AUC đạt $0,6746$.
4. Tác giả sử dụng các công cụ và ngôn ngữ lập trình nào để thực hiện các nghiên cứu thực nghiệm?
Tác giả đã cài đặt các công cụ tiền xử lý dữ liệu bằng ngôn ngữ lập trình C#; cài đặt các thuật toán huấn luyện giảm chiều dữ liệu và mô hình phân lớp bằng ngôn ngữ Matlab; và thực hiện kiểm định giả thuyết thống kê $t$-test trên phần mềm SPSS.
5. Kiểm định thống kê t-test trong luận án được thiết lập với các tham số nào?
Kiểm định $t$-test mẫu đơn được thực hiện trên phần mềm SPSS dựa trên kết quả của $N = 20$ lần chạy độc lập (mỗi lần lấy ngẫu nhiên 2/3 dữ liệu để huấn luyện và 1/3 để kiểm thử). Kiểm định thực hiện ở độ tin cậy $95%$ so với giá trị ngưỡng kiểm định $a$ (chọn là giá trị cao thứ hai trong 20 lần chạy). Kết quả thực nghiệm trên các tập dữ liệu đều cho giá trị $t > 1,729$ và $p\text{-value} < 0,05$, khẳng định kết quả phân lớp của mô hình có ý nghĩa thống kê.
Kết luận
Luận án của nghiên cứu sinh Giang Thành Trung đã hoàn thành các mục tiêu nghiên cứu về phương pháp giảm chiều dữ liệu ứng dụng trong bài toán phân lớp bệnh nhân y sinh học. Tác giả đã đề xuất giải thuật fMKL-DR giúp tối ưu hóa thời gian tính toán trong tích hợp dữ liệu đa nhân và xây dựng thành công quy trình chọn lọc đặc trưng dựa trên ma trận thưa của RPCA kết hợp phân lớp wMKL. Các kết quả thực nghiệm trên dữ liệu bệnh nhân ung thư (LUNG, GBM, BREAST, OV) và bệnh nhân Alzheimer đã chứng minh hiệu quả phân lớp vượt trội của mô hình tích hợp đa nguồn dữ liệu so với các phương pháp xử lý dữ liệu đơn lẻ, với đầy đủ kiểm định thống kê tin cậy.
