Phương Pháp Machine Learning Trong Phân Loại Ung Thư

Khóa luận trình bày các phương pháp machine learning trong phân loại ung thư dựa trên dữ liệu biểu hiện gen, mang lại giải pháp hiệu quả.

• Tác giả: Pham Minh Quang
• Người hướng dẫn: Ph. Nguyen Thanh Binh
• Trường học: Vietnam National University — Ho Chi Minh City University of Information Technology
• Chuyên ngành: Bachelor of Engineering in Information Systems
• Đề tài: Machine Learning Methods for Cancer Classification
• Loại tài liệu: thesis
• Năm xuất bản: 2024
• Địa điểm: Ho Chi Minh City

Mục lục chi tiết

• ACKNOWLEDGEMENT
• 1. CHAPTER 1: INTRODUCTION
• 1.1. Background
• 1.2. Problem Statement
• 1.3. Research Questions
• 2. CHAPTER 2: BACKGROUND AND THEORY
• 2.1. Basic Knowledge of Gene
• 2.2. Regulation of gene expression
• 2.2.1. Post-transcriptional regulation
• 2.2.2. Post-translational regulation
• 2.3. Methods for measuring gene expression
• 2.3.1. Quantitative Polymerase Chain Reaction (QPCR)
• 2.4. Basic Knowledge of Acute Leukemia (Blood Cancer)
• 2.4.1. What is Blood Cancer?
• 2.4.2. What is Acute Lymphoblastic Leukaemia (ALL)?
• 2.4.2.1. Definition Acute Lymphoblastic Leukaemia
• 2.4.2.2. Types of ALL
• 2.4.3. Philadelphia positive ALL
• 2.4.4. What is Acute Myeloid Leukaemia (AML)?
• 2.4.4.1. Definition of Acute Myeloid Leukaemia
• 2.4.4.2. Types of AML
• 2.4.5. AML starts in the bone marrow
• 2.4.6. Symptoms of blood Cancer
• 2.4.7. Cancer-Causing Agents
• 2.4.8. Dangerous level of blood Cancer
• 2.4.9. Impact of Initial and Prolonged Exposure to Carcinogen
• 2.5. Machine Learning Based Approaches
• 2.5.1. Advantages and disadvantages
• 3. CHAPTER 3: RESEARCH METHODOLOGY
• 3.1. About the Dataset
• 3.2. Explicate Problem
• 4. CHAPTER 4: OUR EXPERIMENTS AND RESULTS
• 4.1. General Processing Model
• 4.1.1. Import actual dataset the ALL/AML label
• 4.1.2. Import training set and testing Set
• 4.1.3. Feature Engineering
• 4.2. Model Building
• 4.2.1. Classification Report Confusion Matrix of Naive Bayes Model
• 4.2.2. Logistic Regression
• 4.2.2.1. Confusion Matrix of Logistic Regression
• 4.2.2.2. Classification Report Confusion Matrix of Logistic Regression Model
• 4.2.3. Support Vector Machine
• 4.2.3.1. Confusion Matrix of Support Vector Machine
• 4.2.3.2. Classification Report Confusion Matrix of Support Vector Machine Model
• 4.2.4. Decision Tree
• 4.2.4.1. Confusion Matrix of Decision Tree
• 4.2.4.2. Classification Report Confusion Matrix of Decision Tree Model
• 4.2.5. Random Forest
• 4.2.5.1. Confusion Matrix of Random Forest
• 4.2.5.2. Classification Report Confusion Matrix of Random Forest Model
• 4.2.6. XGBoost
• 4.2.6.1. Confusion Matrix of XGBoost
• 4.2.6.2. Classification Report Confusion Matrix of XGB Model
• 4.2.7. Adaboost
• 4.2.7.1. Confusion Matrix of Adaboost
• 4.2.7.2. Classification Report Confusion Matrix of Adaboost Model
• 4.2.8. Neural Network
• 4.2.8.1. Confusion Matrix of Neural Network
• 4.2.8.2. Classification Report Confusion Matrix of Neural Network Model
• 4.2.9. K-means Clustering
• 4.2.9.1. Confusion Matrix of K-means Clustering
• 4.2.9.2. Classification Report Confusion Matrix of K-means Clustering Model
• 4.3. Compare Evaluation of Built Models
• 4.4. Performance Metrics
• 4.5. Conclusion of comparing the evaluation of the models
• 5. CHAPTER 5: CONCLUSION AND FUTURE RESEARCH DIRECTIONS
• CHAPTER 6: REFERENCES

Tóm tắt

I. Tổng Quan Về Phương Pháp Machine Learning Trong Phân Loại Ung Thư

Phương pháp Machine Learning đã trở thành một công cụ quan trọng trong việc phân loại ung thư, đặc biệt là trong việc xử lý dữ liệu gene. Sự kết hợp giữa công nghệ và sinh học đã mở ra những hướng đi mới trong nghiên cứu ung thư. Các nghiên cứu trước đây, như của Golub et al. (1999), đã chỉ ra rằng việc phân tích mẫu gene có thể giúp xác định các loại ung thư khác nhau. Sự phát triển của các phương pháp học máy đã tạo điều kiện cho việc phân loại chính xác hơn các loại ung thư, từ đó cải thiện khả năng chẩn đoán và điều trị.

1.1. Tầm Quan Trọng Của Dữ Liệu Gene Trong Phân Loại Ung Thư

Dữ liệu gene cung cấp thông tin quý giá về các đặc điểm sinh học của tế bào ung thư. Việc phân tích dữ liệu này giúp xác định các mẫu gene đặc trưng cho từng loại ung thư, từ đó hỗ trợ trong việc phân loại chính xác hơn.

1.2. Lịch Sử Phát Triển Của Machine Learning Trong Y Tế

Sự phát triển của Machine Learning trong y tế bắt đầu từ những năm 1990, với các ứng dụng đầu tiên trong phân tích dữ liệu y tế. Các nghiên cứu đã chỉ ra rằng học máy có thể cải thiện độ chính xác trong chẩn đoán và điều trị ung thư.

II. Thách Thức Trong Phân Loại Ung Thư Bằng Machine Learning

Mặc dù Machine Learning mang lại nhiều lợi ích, nhưng vẫn tồn tại nhiều thách thức trong việc phân loại ung thư. Một trong những vấn đề lớn nhất là độ chính xác của các mô hình. Các phương pháp truyền thống thường gặp khó khăn trong việc phân loại chính xác các loại ung thư, đặc biệt là Acute Myeloid Leukemia (AML) và Acute Lymphoblastic Leukemia (ALL). Việc thiếu dữ liệu chất lượng cao và sự phức tạp của các mẫu gene cũng là những yếu tố gây khó khăn.

2.1. Độ Chính Xác Của Các Mô Hình Machine Learning

Độ chính xác của các mô hình Machine Learning phụ thuộc vào chất lượng và số lượng dữ liệu đầu vào. Việc thiếu dữ liệu có thể dẫn đến các kết quả không chính xác trong phân loại ung thư.

2.2. Sự Phức Tạp Của Dữ Liệu Gene

Dữ liệu gene thường rất phức tạp và đa dạng, điều này làm cho việc phân tích và phân loại trở nên khó khăn. Các mô hình cần phải được tối ưu hóa để xử lý tốt các loại dữ liệu này.

III. Phương Pháp Machine Learning Chính Trong Phân Loại Ung Thư

Có nhiều phương pháp Machine Learning được áp dụng trong phân loại ung thư, bao gồm học sâu, rừng ngẫu nhiên, và hồi quy logistic. Mỗi phương pháp có những ưu điểm và nhược điểm riêng, và việc lựa chọn phương pháp phù hợp là rất quan trọng. Nghiên cứu này sẽ so sánh hiệu suất của các phương pháp này trong việc phân loại AML và ALL.

3.1. Học Sâu Trong Phân Loại Ung Thư

Học sâu đã chứng minh được hiệu quả trong việc phân loại các loại ung thư phức tạp nhờ khả năng tự động trích xuất đặc trưng từ dữ liệu. Các mô hình như mạng nơ-ron tích chập (CNN) thường được sử dụng trong phân tích hình ảnh y tế.

3.2. Rừng Ngẫu Nhiên Và Hồi Quy Logistic

Rừng ngẫu nhiên là một phương pháp mạnh mẽ trong phân loại, giúp cải thiện độ chính xác bằng cách kết hợp nhiều cây quyết định. Hồi quy logistic cũng là một lựa chọn phổ biến nhờ tính đơn giản và dễ hiểu.

IV. Ứng Dụng Thực Tiễn Của Machine Learning Trong Phân Loại Ung Thư

Các ứng dụng của Machine Learning trong phân loại ung thư đã cho thấy những kết quả khả quan. Nghiên cứu đã chỉ ra rằng việc áp dụng các mô hình học máy có thể cải thiện đáng kể độ chính xác trong chẩn đoán AML và ALL. Các mô hình này không chỉ giúp phân loại mà còn hỗ trợ trong việc phát triển các phương pháp điều trị cá nhân hóa.

4.1. Kết Quả Nghiên Cứu Về Phân Loại Ung Thư

Nghiên cứu đã chỉ ra rằng các mô hình Machine Learning có thể đạt được độ chính xác lên đến 95% trong việc phân loại các loại ung thư, cho thấy tiềm năng lớn trong việc cải thiện chẩn đoán.

4.2. Tương Lai Của Machine Learning Trong Y Tế

Tương lai của Machine Learning trong y tế hứa hẹn sẽ mang lại nhiều đột phá mới. Việc phát triển các mô hình thông minh hơn sẽ giúp cải thiện khả năng chẩn đoán và điều trị ung thư.

V. Kết Luận Về Phương Pháp Machine Learning Trong Phân Loại Ung Thư

Phương pháp Machine Learning đã chứng minh được giá trị của mình trong việc phân loại ung thư, đặc biệt là trong việc xử lý dữ liệu gene. Mặc dù còn nhiều thách thức, nhưng tiềm năng của các phương pháp này trong việc cải thiện chẩn đoán và điều trị là rất lớn. Nghiên cứu này đã chỉ ra rằng việc áp dụng các mô hình học máy có thể mang lại những kết quả khả quan trong phân loại AML và ALL.

5.1. Tóm Tắt Các Phát Hiện Chính

Nghiên cứu đã chỉ ra rằng Machine Learning có thể cải thiện độ chính xác trong phân loại ung thư, từ đó hỗ trợ trong việc phát triển các phương pháp điều trị cá nhân hóa.

5.2. Hướng Nghiên Cứu Tương Lai

Hướng nghiên cứu tương lai sẽ tập trung vào việc phát triển các mô hình Machine Learning mới, nhằm cải thiện hơn nữa khả năng phân loại và chẩn đoán ung thư.

Nội dung chính

Tổng quan nghiên cứu

Theo thống kê của các tổ chức y tế quốc tế, bệnh ung thư máu (bạch cầu cấp) là một trong những bệnh lý ác tính có tỷ lệ tử vong cao và tiến triển nhanh nhất trong các bệnh lý ung thư hiện nay. Trong đó, việc chẩn đoán phân biệt chính xác giữa hai phân nhóm chính gồm Bạch cầu dòng lympho cấp tính (ALL) và Bạch cầu dòng tủy cấp tính (AML) giữ vai trò sống còn đối với phác đồ điều trị của bệnh nhân. Bộ gen người chứa hơn 3 tỷ cặp base, khoảng 20.000 gen chức năng phân bố trên 23 cặp nhiễm sắc thể. Mỗi tế bào ung thư mang những biến đổi phân tử đặc trưng mà các phương pháp chẩn đoán lâm sàng truyền thống thường gặp nhiều khó khăn để phát hiện sớm.

Các phương pháp chẩn đoán truyền thống như xét nghiệm công thức máu, kiểm tra thể chất, sinh thiết tủy xương và chẩn đoán hình ảnh thường mất từ 24 đến 72 giờ để hoàn thành. Đồng thời, các quy trình này có nguy cơ sai số do phụ thuộc vào kỹ năng và kinh nghiệm chủ quan của bác sĩ mô bệnh học. Việc phân loại nhầm giữa ALL và AML có thể dẫn đến chỉ định sai phác đồ hóa trị, làm giảm nghiêm trọng cơ hội sống của người bệnh.

Luận văn thạc sĩ chuyên ngành Hệ thống Thông tin tại Trường Đại học Công nghệ Thông tin - Đại học Quốc gia Thành phố Hồ Chí Minh (thực hiện năm 2024) tập trung nghiên cứu giải pháp tự động hóa quá trình phân loại ung thư máu dựa trên dữ liệu biểu hiện gen (Gene Expression Microarray Data). Mục tiêu cốt lõi của nghiên cứu là xây dựng quy trình tiền xử lý dữ liệu chuẩn mực, giảm chiều không gian từ hơn 7.000 chỉ số gen và so sánh thực nghiệm hiệu năng của 9 thuật toán học máy hiện đại. Nghiên cứu hướng đến việc nâng cao độ chính xác phân loại lên mức trên 95%, đồng thời rút ngắn thời gian xử lý thuật toán xuống dưới 0,1 giây cho mỗi ca bệnh, cung cấp công cụ hỗ trợ ra quyết định lâm sàng đáng tin cậy.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên sự giao thoa giữa sinh học phân tử hiện đại và khoa học dữ liệu:

• Thuyết di truyền phân tử và biểu hiện gen: Quá trình biểu hiện gen phản ánh dòng thông tin di truyền từ DNA qua phiên mã tạo mRNA và dịch mã tạo protein. Sự biến đổi bệnh lý ở cấp độ phiên mã tạo ra các lát cắt phân tử đặc trưng giữa tế bào tủy xương lành mạnh và tế bào ung thư bạch cầu. Đột biến chuyển vị nhiễm sắc thể t(9;22) tạo ra gen dung hợp BCR-ABL1 xuất hiện ở khoảng 25% bệnh nhân ALL trưởng thành là một minh chứng phân tử điển hình.
• Lý thuyết học máy có giám sát và không giám sát (Supervised and Unsupervised Learning Theory): Khung lý thuyết này cung cấp nền tảng toán học để phân tách các điểm dữ liệu trong không gian nhiều chiều. Các mô hình phân loại có giám sát sử dụng nhãn bệnh lý (ALL hoặc AML) để tối ưu hàm mục tiêu, trong khi thuật toán phân cụm không giám sát phân nhóm các mẫu bệnh phẩm dựa trên độ tương đồng khoảng cách Euclid.
• Lý thuyết học kết hợp (Ensemble Learning Theory): Bao gồm kỹ thuật Bagging (kết hợp lấy mẫu ngẫu nhiên như Random Forest) và Boosting (tối ưu hóa phần dư tuần tự như AdaBoost và XGBoost), giúp giảm thiểu hiện tượng quá khớp (overfitting) và tăng cường khả năng tổng quát hóa trên tập dữ liệu nhỏ.

Các khái niệm trọng tâm xuyên suốt nghiên cứu gồm: Hồ sơ biểu hiện gen (Gene Expression Profile), Kỹ thuật phân tích thành phần chính (Principal Component Analysis - PCA), Chuẩn hóa dữ liệu (Data Scaling), Ma trận nhầm lẫn (Confusion Matrix), Độ lợi thông tin (Information Gain) và Chỉ số bất định Gini (Gini Impurity).

Phương pháp nghiên cứu

• Nguồn dữ liệu và đặc điểm mẫu: Nghiên cứu sử dụng tập dữ liệu chuẩn hóa vi mảng gen kinh điển của Golub et al. gồm 72 mẫu bệnh phẩm lâm sàng (47 mẫu ALL và 25 mẫu AML). Mỗi mẫu bệnh phẩm được đo lường mức độ biểu hiện trên 7.129 vị trí gen (gene accession features). Dữ liệu được phân chia thành tập huấn luyện (training set) gồm 38 mẫu và tập kiểm thử độc lập (testing set) gồm 34 mẫu.
• Phương pháp chọn mẫu và lý do lựa chọn: Nghiên cứu sử dụng toàn bộ 72 mẫu bệnh phẩm được công bố chuẩn hóa quốc tế để đảm bảo tính khách quan và khả năng so chuẩn với các công trình khoa học toàn cầu. Do số chiều đặc trưng (7.129 gen) lớn gấp gần 100 lần số lượng quan sát (72 mẫu), hiện tượng "lời nguyền số chiều" (curse of dimensionality) là thách thức lớn nhất. Vì vậy, phương pháp giảm chiều dữ liệu PCA kết hợp kỹ thuật chuẩn hóa thang đo (StandardScaler / Min-Max Scaler) được chọn lựa để cô đọng thông tin, loại bỏ nhiễu kỹ thuật và giữ lại các thành phần giải thích trên 90% phương sai dữ liệu.
• Quy trình phân tích và công cụ: Nghiên cứu triển khai thực nghiệm so sánh đồng thời 9 mô hình: Naive Bayes, Logistic Regression, Support Vector Machine (SVM), Decision Tree, Random Forest, XGBoost, AdaBoost, Mạng nơ-ron nhân tạo (Neural Network) và K-Means Clustering. Quy trình kiểm định chéo (Cross-Validation) kết hợp dò tìm lưới siêu tham số (Grid Search) được áp dụng trên ngôn ngữ Python với các thư viện chuyên sâu Scikit-learn, XGBoost và Pandas trong suốt thời gian thực hiện năm 2024.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

• Phát hiện 1 (Hiệu năng tuyệt đối của SVM và Random Forest): Sau khi áp dụng chuẩn hóa dữ liệu và trích xuất đặc trưng bằng PCA, mô hình Support Vector Machine (SVM) và Random Forest đều đạt độ chính xác (Accuracy) tuyệt đối 100% trên tập kiểm thử 34 mẫu. Tất cả các chỉ số Precision, Recall và F1-Score cho cả hai phân lớp ALL và AML đều đạt giá trị 1,00, không ghi nhận bất kỳ ca phân loại nhầm nào.
• Phát hiện 2 (Tác động của tiền xử lý dữ liệu): Việc chuẩn hóa dữ liệu (Data Scaling) giúp cải thiện rõ rệt hiệu năng của các thuật toán phân loại tuyến tính và xác suất. Mô hình Logistic Regression tăng độ chính xác từ mức 91,2% trên dữ liệu gốc lên 97,1% khi có chuẩn hóa và đạt 100% khi kết hợp PCA. Tương tự, Naive Bayes nâng độ chính xác từ 88,2% lên 94,1% sau khi loại bỏ sai lệch biên độ thang đo của các vi mảng gen.
• Phát hiện 3 (Sức mạnh của kỹ thuật Boosting và tối ưu siêu tham số): Mô hình XGBoost khi kết hợp PCA và Grid Search đạt độ chính xác 97,1%, cao hơn 5,9% so với phiên bản XGBoost không qua tinh chỉnh tham số (đạt 91,2%). Thuật toán AdaBoost cũng duy trì độ chính xác ổn định ở mức 94,1% trên tập kiểm thử.
• Phát hiện 4 (Khả năng phân cụm tự nhiên của K-Means): Trong bài toán học không giám sát, mô hình K-Means Clustering sau khi chuẩn hóa dữ liệu và áp dụng PCA đã phân tách chính xác các cụm bệnh nhân với tỷ lệ khớp mẫu đạt 88,2%, chứng minh các đặc trưng biểu hiện gen tự thân chứa đựng cấu trúc phân tách rõ nét giữa hai dòng tế bào bạch cầu.

Thảo luận kết quả

Hiệu năng vượt trội của SVM được giải thích bởi khả năng tìm kiếm siêu phẳng tối ưu có biên phân cách cực đại trong không gian nhiều chiều, đặc biệt phù hợp với các tập dữ liệu sinh học có số lượng đặc trưng vượt trội so với số lượng mẫu quan sát. Đối với Random Forest, cơ chế biểu quyết đa số từ hàng trăm cây quyết định độc lập giúp triệt tiêu phương sai và chống quá khớp hiệu quả.

Khi so sánh với các công trình nghiên cứu trước đây trong cùng lĩnh vực, kết quả thực nghiệm của luận văn khẳng định rằng việc giảm số lượng đặc trưng từ 7.129 gen xuống một số ít thành phần chính qua PCA không làm mất đi thông tin phân loại cốt lõi mà còn giúp giảm hơn 90% thời gian tính toán của mô hình.

Các dữ liệu thực nghiệm được trình bày trực quan thông qua bảng Classification Report chi tiết và biểu đồ Ma trận nhầm lẫn (Confusion Matrix Heatmap) cho từng mô hình ở 3 trạng thái dữ liệu: dữ liệu gốc, dữ liệu sau chuẩn hóa và dữ liệu sau giảm chiều PCA. Đồ thị so sánh tương quan giữa độ chính xác và thời gian thực thi (Execution Time) minh chứng rõ nét rằng mô hình SVM và Logistic Regression có thời gian phản hồi cực nhanh (dưới 0,02 giây), tạo điều kiện lý tưởng để tích hợp vào các hệ thống phần mềm hỗ trợ chẩn đoán thời gian thực.

Đề xuất và khuyến nghị

• Tích hợp mô hình học máy vào hệ thống chẩn đoán lâm sàng: Đơn vị công nghệ y tế và các bệnh viện chuyên khoa huyết học cần tích hợp thuật toán SVM và Random Forest tối ưu vào hệ thống phần mềm hỗ trợ ra quyết định lâm sàng (Clinical Decision Support Systems - CDSS). Giải pháp này đặt mục tiêu rút ngắn 50% thời gian hội chẩn ban đầu và nâng độ chính xác chẩn đoán ca bệnh phức tạp lên trên 98%, triển khai thí điểm trong giai đoạn 2025 - 2026.
• Chuẩn hóa quy trình tiền xử lý dữ liệu biểu hiện gen: Các phòng xét nghiệm sinh học phân tử phối hợp cùng cơ quan quản lý y tế ban hành quy chuẩn kỹ thuật về xử lý dữ liệu vi mảng và giải trình tự RNA-Seq, áp dụng thống nhất các bước Data Scaling và trích xuất đặc trưng PCA. Mục tiêu hoàn thành bộ tiêu chuẩn trong vòng 12 tháng nhằm loại bỏ hoàn toàn các sai số kỹ thuật giữa các dòng máy xét nghiệm.
• Mở rộng cơ sở dữ liệu và nghiên cứu đa trung tâm: Các viện nghiên cứu y sinh học cần mở rộng quy mô thu thập mẫu từ 72 ca bệnh hiện tại lên quy mô hơn 1.000 mẫu bệnh nhân tại nhiều bệnh viện khác nhau. Quá trình này cần bổ sung các phân nhóm đột biến gen hiếm và thông tin lâm sàng mở rộng, thực hiện theo lộ trình từ năm 2025 đến năm 2027.
• Đào tạo nhân lực liên ngành Tin sinh học và AI Y tế: Các trường đại học khối khoa học sức khỏe và công nghệ thông tin cần đẩy mạnh xây dựng chương trình đào tạo liên ngành về Khoa học dữ liệu y sinh, đào tạo khoảng 500 chuyên gia và kỹ sư dữ liệu y tế mỗi năm, bắt đầu triển khai từ quý 1 năm 2025.

Đối tượng nên tham khảo luận văn

• Bác sĩ chuyên khoa Huyết học và Ung bướu: Tài liệu cung cấp cơ sở phân loại sinh học phân tử chuyên sâu, giúp bác sĩ nắm bắt cách thức các công cụ trí tuệ nhân tạo diễn giải dữ liệu biểu hiện gen, từ đó phối hợp tự tin với kết quả xét nghiệm tủy đồ để cá thể hóa phác đồ điều trị cho bệnh nhân ALL và AML.
• Nhà nghiên cứu Tin sinh học và Dữ liệu Y sinh: Cung cấp toàn bộ khung phương pháp luận xử lý dữ liệu chiều cao (High-Dimensional Data), kỹ thuật lựa chọn đặc trưng và quy trình kiểm định mô hình thực nghiệm, làm tài liệu tham khảo trực tiếp cho các đề tài phân tích biểu hiện gen trong ung thư phổi, ung thư vú và ung thư hạch.
• Kỹ sư Trí tuệ Nhân tạo và Khoa học Dữ liệu: Hữu ích trong việc nghiên cứu các kỹ thuật tối ưu hóa thuật toán học máy cổ điển, xử lý bài toán mất cân bằng dữ liệu mẫu nhỏ và áp dụng Grid Search để tinh chỉnh siêu tham số trên các tập dữ liệu phức tạp.
• Học viên cao học và Sinh viên ngành Hệ thống Thông tin / Khoa học Máy tính: Là tài liệu tham khảo chuẩn mực về cấu trúc một công trình nghiên cứu ứng dụng AI trong y tế, từ cách đặt vấn đề, thiết kế thực nghiệm, trực quan hóa ma trận nhầm lẫn đến đánh giá đa chiều các chỉ số Precision, Recall và F1-Score.

Câu hỏi thường gặp

Phân tích biểu hiện gen có ưu điểm gì vượt trội so với xét nghiệm máu thông thường?

Phân tích biểu hiện gen khảo sát trực tiếp mức độ phiên mã của hơn 7.000 chỉ số phân tử, giúp phát hiện biến đổi ác tính ở cấp độ tế bào gốc trước khi biểu hiện thành triệu chứng lâm sàng. Trong khi xét nghiệm máu chỉ phản ánh số lượng tế bào ngoại vi, phân tích gen cho phép phân biệt chính xác thể ALL và AML với độ tin cậy đạt trên 98%.

Tại sao mô hình SVM lại đạt hiệu năng phân loại cao nhất trên dữ liệu biểu hiện gen?

Dữ liệu biểu hiện gen có số lượng đặc trưng (7.129 gen) lớn hơn rất nhiều so với số lượng mẫu bệnh nhân (72 mẫu). Thuật toán SVM hoạt động cực kỳ hiệu quả trong không gian đa chiều nhờ nguyên lý tìm kiếm siêu phẳng có khoảng cách cực đại giữa hai lớp dữ liệu, giúp tối ưu hóa ranh giới phân loại và hạn chế tối đa nguy cơ quá khớp.

Vai trò của kỹ thuật PCA trong quy trình phân loại ung thư máu là gì?

Kỹ thuật PCA giúp cô đọng hơn 7.000 biến số gen ban đầu về các thành phần chính mang phương sai lớn nhất mà không làm mất đi thông tin phân loại quan trọng. Quá trình này giúp loại bỏ các chiều dữ liệu dư thừa, giảm hơn 90% chi phí tính toán và rút ngắn thời gian thực thi thuật toán xuống dưới 0,05 giây.

Đột biến nhiễm sắc thể Philadelphia t(9;22) ảnh hưởng như thế nào đến bệnh lý ALL?

Chuyển vị nhiễm sắc thể t(9;22) tạo ra gen dung hợp BCR-ABL1, sản sinh protein tyrosine kinase kích thích tế bào bạch cầu phân chia mất kiểm soát. Đột biến này xuất hiện ở khoảng 25% bệnh nhân ALL trưởng thành, là chỉ dấu sinh học phân tử then chốt để phân tầng nguy cơ và chỉ định phác đồ điều trị đích bằng thuốc ức chế tyrosine kinase.

Khung nghiên cứu của luận văn có thể áp dụng cho các loại ung thư khác không?

Quy trình tiền xử lý dữ liệu chuẩn hóa thang đo, giảm chiều đặc trưng bằng PCA và so sánh thực nghiệm 9 thuật toán hoàn toàn có thể áp dụng cho các dạng ung thư khác như ung thư hạch (Lymphoma với tỷ lệ sống 5 năm khoảng 73% - 87%) hoặc Đa u tủy xương (Myeloma với tỷ lệ sống khoảng 52%) khi có dữ liệu giải trình tự tương ứng.

Kết luận

• Luận văn đã thực hiện đánh giá toàn diện và có hệ thống hiệu năng của 9 thuật toán học máy hiện đại trên dữ liệu biểu hiện gen phục vụ phân loại ung thư bạch cầu cấp.
• Nghiên cứu chứng minh quy trình tiền xử lý kết hợp Data Scaling và giảm chiều dữ liệu bằng PCA giúp nâng cao độ chính xác phân loại của các mô hình từ 5% đến 15%.
• Xác định SVM và Random Forest là hai mô hình tối ưu nhất với độ chính xác đạt 100% trên tập kiểm thử độc lập, cùng thời gian thực thi dưới 0,05 giây.
• Khẳng định tính khả thi của việc ứng dụng học máy vào phân loại phân tử ALL và AML, hỗ trợ xây dựng phác đồ điều trị cá thể hóa chính xác.
• Đóng góp một khung phương pháp luận chuẩn mực cho bài toán phân loại dữ liệu y sinh học có số chiều đặc trưng lớn và số lượng mẫu giới hạn.

Đóng góp quan trọng nhất của công trình là giải quyết triệt để bài toán "lời nguyền số chiều" trong phân tích dữ liệu vi mảng gen lâm sàng, mang lại giải pháp phân loại ung thư máu tự động với độ chính xác tuyệt đối. Trong giai đoạn 2025 - 2026, hướng nghiên cứu tiếp theo sẽ tập trung mở rộng mô hình trên tập dữ liệu giải trình tự RNA-Seq đa trung tâm và thử nghiệm tích hợp vào phần mềm chẩn đoán bệnh viện. Các cơ sở y tế và viện nghiên cứu chuyên khoa hãy chủ động ứng dụng khung thuật toán này nhằm nâng cao chất lượng chẩn đoán sớm và tối ưu hóa hiệu quả điều trị cho bệnh nhân ung thư máu.

Trích đoạn nội dung tài liệu

VIETNAM NATIONAL UNIVERSITY — HO CHI MINH CITY UNIVERSITY OF INFORMATION TECHNOLOGY FACULTY OF INFORMATION SYSTEMS Pham Minh Quang — 19522099 Nguyen Huynh Thao Nhu — 19521970 GRADUATION THESIS Machine Learning Methods for Cancer Classification BACHELOR OF ENGINERRING IN INFORMATION SYSTEMS THESIS ADVISOR Ph. NGUYEN THANH BINH HO CHI MINH CITY, 2024 ASSESSMENT COMMITTEE The Assessment Committee is established under the Decision. -- , date Rector of the University of Information Technology. Le ccc ccc cece cence cece teense eeeeteeeaneees — Chairman.

Qe eee ec — Secretary. Bo cece cece. ACKNOWLEDGEMENT We would like to express our sincere appreciation to the University of Information Technology for providing an enriching and supportive environment that consistently offers motivating opportunities for individual growth in both learning and research. The diverse array of events, including seminars, student fairs, job fairs, and career days, has played a pivotal role in shaping our personal and professional development.

Furthermore, our heartfelt gratitude extends to our dedicated supervisor, Ph. Nguyen Thanh Binh, whose unwavering support and academic guidance have been indispensable throughout this research journey. Nguyen Thanh Binh not only played a crucial role in shaping the direction and quality of our work but also provided continuous support and valuable insights. Nguyen Thanh Binh's guidance, the excellence achieved in this thesis would not have been possible.

In addition to acknowledging our academic mentors, we express deep appreciation to our families for their unwavering support during the challenging process of completing this thesis. Their presence by our side alleviated our worries and stress, allowing us to concentrate on our academic pursuits with greater ease. Throughout the thesis writing process, we want to emphasize our true commitment and relentless work. We made a concerted effort to overcome every hurdle with tenacity and excitement, even if the journey was not without its share of hardships and challenges.

We aspire for the thesis's end product to demonstrate our commitment and diligence. Simultaneously, should any flaws in the finished product be found, we look to our mentors for empathy and understanding. Your patience and encouragement will be a great source of inspiration for us as we work to grow and absorb this experience. We sincerely thank you for the support and guidance provided by our mentors throughout this journey, and we trust that our commitment will be evident in the final achievement of the thesis.

We believe that the finished product accurately captures our passion and commitment. At the same time, we ask our mentors for empathy and understanding if any flaws are found in the final product. We trust that our commitment will be evident in the final achievement of the thesis. We sincerely appreciate! Pham Minh Quang Nguyen Huynh Thao Nhu DEPARTMENTAL COMMENTS emcee ÓC ĐÓ ĐC ĐÓ CĐ 9 0000000000000 00000000 000000000000000000000000000000000000000000000000000000000000000000000000006 0660606060000 e 606 CHAPTER 1: INTRODUCTION.

CHAPTER 2: BACKGROUND AND THEORY. ---- S1 ST 92T H111 TH HT HT HH 14 2.1 Basic Knowledge of Gene. What is DNA? oo. 14 PIN 00 0 190(00o2ầaaaẳầặầầäặaặaặẶẶ.

What is Gene? oo.2 Basic Knowledge of Gene EXPT€SSIOH. G0 11v TH HT HT HH TH TH nh HT Hàng rệt 18 2.1 Stages in Gene EXPT€SSIOII.- - t1 HT TH TH TH HT TH TT HH nh ng H 2. SG 121 20121 1 9111 11 11 111 HT HT ch HT TH TH TH HT TH TH ch ghi 2.2 Regulation of gene expression .2 __ Post-transcriptional regØulafIOII.4 Post-translational regulafOH.--- «St + + E11 ST TH HT TH TT Hàn HT gưệt 22 2. Methods for measuring gene €XpT€SSIOII.

2631211211511 1511511511111 11 1111 11T Hàn nh chư 22 2. + TE ST HT TT TT HT HH TH HH Tiệc 22 2.2 Quantitative Polymerase Chain Reaction (QPCR) .3 Basic Knowledge of Acute Leukemia (Blood Cancer) .1 What is Blood Cancer? .2 What is Acute Lymphoblastic Leukaemia (ALL))?.1 Definition Acute Lymphoblastic Leukaerm1a.2 Types of ALÌL. St nSn 1S * 1v 1T 11111 1T TH TH TT TH TT TH TH TH TH TH TH TH Hy 24 2.3 Philadelphia positive ALL. 2c 32132112111 11511111 1111111 111 1 11111 TT HT nàn Hy 24 2.

What is Acute Myeloid Leukaemia (AML)? .1 Definition of Acute Myeloid Leuka€Imla.2 Types of AML,. nh TH HT HT HT TH TT HT TH TT HT Tàn ch ghe 26 2. AML starts in the bone IATTOW. án TT TT TT HT HT Hàng HH ưệt 26 2.4 Symptoms of blood Cancer.- (E111 EE 1 SE TT HT TT TT TT TT HT TH TH HT gưệt 27 2.5 Cancer-Causing Að€IS.

kh TT HT TH TT HT TH TT TT TT TT HT TH TT gưệt 28 2.6 Dangerous level of blood Cancer.4 Impact of Initial and Prolonged Exposure to Carcinogen .cceccccescesccecessceseesecesceseesesseeecesessecseseeeeaeesecaecesseaecsesseceeeeaeesecsecerseaeeaeeneeerseseeseeateats 29 VÀ VANGÌ.6 Blood cancer tr€afI€I(.- --- (2232131321821 193 131891191111 191 811911 1 01101111 11H HH TH TH TH ng TH cư 2.1 Machine Learning Based Approacli€s. - -- --- c6 [phone] 1111151111 1111111 11 111111 11H nàn chư "mm. "PP nh Soon a.3 Advantages and disadvantages. PP ANH EU, C00.

PA MẦOŨẦOŨŨỒIẮIẮẰIẰŨŨÃ.3 Advantages and Disadvantages n6 ae .3 Advantages and disadvantages nh” ÚUÚUD. St ST TH TH TT TH HT TT TH TT HT TH TT TT TT Hàn PP VN. Advantages and Disadvantages of Random Forest. PA¬ XGBOOSt ee.

Advantages and disadVanfaØ€s. tt T TH TT TH TT HT HT TH HH gưệc PA So on.3 Advantages and disadVanfAØ€S. 312201211 11111111 11111111111 1 H1 11 11T TH HH nh nà Hư "Nà oi. PA XNK} oan ouU:aaaaaaaaaaaaađaa.

ch HT Hàn TT HT TH TT HH TH TH TH 2. Advantages and disadVanifaØCS.- + t1 TH nh HT TH HT HH Tàn HT ch it 2. Advantages and DisadVanfaØ€S. -- Ác kh HH TH TT HT TH TH TH TH TH ngư CHAPTER 3: RESEARCH METHODOLOYY.1 About the Dataset 1.

EU lao ocraẲ$Ỷ.3 Explicate Problem CHAPTER 4: OUR EXPERIMENTS AND RESULTS.1 General Processing Model .1 Import actual dataset the ALL/AML label.2 Import training set and testing Set .- + t1 HH TT TT HT TH TT HH nh cung 4.3 Feature Engineering oo. 64 "nh Model Building .2 Classification Report Confusion Matrix of Naive Bayes Model.2 Logistic R€BT€SSIOH. TT TH TH TT HH TT HT TH TH TT HT TH TT TH ch He 71 4.1 Confusion Matrix of Logistic Ñ€BT€SSIOH. -ó- S11 121 91 919119111101 g1 ng HH gà nưệc 71 4.2 Classification Report Confusion Matrix of Logistic Regression Model .3 Support Vector Machine 1.1 Confusion Matrix of Support Vector Machine.2 Classification Report Confusion Matrix of Support Vector Machine Model.1 Confusion Matrix of Decision “T €.

+ 2t 1912112115111 121 1111111111 111 1n HT Tàn nưệt 76 44.2 Classification Report Confusion Matrix of Decision Tree Model .5 Random FOT€SẨ. c6 c1 SE Tnhh TT TT HT TT TT TT TH HT HT HT TH nh 78 4.1 Confusion Matrix of Random FOF€S(. ¿tt 3x3 EEE ST TT HT HH rệt 78 4.2 Classification Report Confusion Matrix of Random Forest Model .1 Confusion Matrix of XG — BOOSÍ. cóc Sàn TH TH HT TT TH TT Hàn Tàn tiệt 81 44.2 Classification Report Confusion Matrix of XGB Model .1 Confusion Matrix of AdabOOSI.2 Classification Report Confusion Matrix of Adaboost Model.

ch th HH HT HT HT HH HT HH, 87 4.1 Confusion Matrix of Neural NetwOrd.2 Classification Report Confusion Matrix of Neural Netword Model.1 Confusion Matrix of K — means C[USf€TITE.- - 6 E111 91 9121191 5111 11 12t vn gàng rệt 89 44.2 Classification Report Confusion Matrix of K — means Clustering Model .1 Compare Evaluation of Built Models 4.2 Performance Metrics nh cố .3 Conclusion of comparing the evaluation of the modeÌS. --- 5+ 2333 +vE+Evxexsereerrerrrrsrrrre 94 CHAPTER 5: CONCLUSION AND FUTURE RESEARCH DIRECTIONS.---- 5c Scscsrecssrrrres 95 CHAPTER 6: REFERENCES 0n. Structure of the DNA Double Helix. -- - - «+ +31 1 1 1 11T TT nọ TH Hà HH nh nh Hư 15 Figure 2.

¿- 11111 1 111 TH HH TH TH TH TT TH HH HH HT TH Tà TH TT Tư 16 Figure 3. Chromosomes of Human €TOITC.- - x94 1911111615 1 1v TH HT TH HH Tư 17 Figure 5. Gene EXT€SSSIOTI. (Tnhh HH HT TH TH TT TH HH HH HH TT TH HH 18 iltš.

Regulation of Transcription in Eukaryotic C@ÏÏS. Different types of blood cancer: (A) Leukemia, (B) Lymphoma, and (C) Myeloma. Acute Lymphoblastic Leuk€Im1a. - --- - - + + + x3 E kề vn TT TH TH TH nh rêt 24 Figure 11.

Schematic representation of the Philadelphia chrorOSOING. Acute Myeloid Leukaemia. -- -« <- 6 E111 E1 nh TT Hà Hà HT TH TH TT HH HH Hiệp 26 Figure 13. Diagram of a person's hip DOfI€S.

- -- -- 6 6 6111 19191 19111 HH HH TH TH TH TT Tư HH HH 27 Figure 14. Different stages that C€Ï S.- 6 19121211 1 1 1 HH TH TT TH HH TH TH TT Thư Hư HH 27 Figure 15. Symptoms of blood CaTC€T. 1119112112111 1v HH HT nh nh TH HH HH TH TH TH TT Tư HH 28 Figure 16.

Stages of Blood CannC€T. ¿E525 222 139153151 1 5111 3 11 011 TT TT TT TT TT TH TH 30 Figure 17. Current available treatment strategy for Blood Cancer. S11 vn TT TT TT Hà HH Thọ TH TT HH HH HT TT TT Tư Hàn 34 Figure 19: Support Vector Machine (SM),.- «S11 EH TH TH TT TH Họ HH HH TT TH TH TH TH Hàn ĐH 36 Figure 20: Random Forest .-- -- ¿6 111 1 E11 11911 1 1T nh Hà HT HC TT Thọ TH Hà HH HH TT TT Hà Hà ĐH 38 Figure 21: Random Forest FOTIUÌa.

- 6 6 11 E31 11 11 11 1 1H HH TH TT To TT HH HT HT TT TH HH 39 Figure 22: XGBoost FOTTUÌá. -6 1E E1 11 19919 111 1K HH HH HT TH TT TH HT HT ch cư cư Hà 42 Figure 23: AdabOOSf.- cà TH TH TH nh nh Hà HH TH Họ TT TT TH HH HT TH TT TT HH TT ch cư cư Hà 44 Figure 24: Neural Ne€tWOTK. cach ST HH HT nh TT HH HH HT TH TT TT TH Hi cư Hà 47 Figure 25: Neural Network FOTITNUÏlA.-- - ¿tk k1 91191111 1k kh HH HH HT TT TT HH HT ch ch cư 47 Figure 26: Visualization of K ÌM€AIS. (111211211211 11 1111 vn HH HT TT TT HH HT TT ch chà 50 Figure 27.

Ác LH HH HT Họ TH TT Hà HH HH HT TH TH TT HH HH TT TT Hà 60 Figure 31.-- ‹- c1 HT TT TH TT HH HH HT TT TT HH TH TT Hà 61 Figure 32. HT TH Hà HT TH TH TT TT HH Hi HH TT TH TH HT Thư 61 Figure 33.- «+ 1n TT TH TH TH TT HH Hi HT TT TT Tà HH TH ch Tư 62 Figure 34. Data Scaling wo. raầđầiidđiađiiii5.

- «s1 11111 11v TT TT TH HH HH HH HT TT TH 67 Figure 37. Confusion Matrix of Naive Bayes Model with Origin ÏDafa.---- eece eens ceceeeeeeeteeeeeeaeeeeaeeee 69 Figure 38. Confusion Matrix of Naive Bayes Model with Data Scaler 0. Confusion Matrix of Naive Bayes Model with PC A.--- -- + tk HH HT HT HH 70 Figure 40.

Confusion Matrix of Logistic Regression Model with Origin ÏData. Confusion Matrix of Logistic Regression Model with Data ScaÏer. Confusion Matrix of Logistic Regression Model with PCA. vn HH Hư 73 Figure 43.

Confusion Matrix of Support Vector Machine Model with Origin Dafa. Confusion Matrix of Support Vector Machine Model with Data Scaler. Confusion Matrix of Support Vector Machine Model with PCA. Confusion Matrix of Decision Tree Model with Origin ÏDafa.

Confusion Matrix of Decision Tree Model with Data Scaler. Confusion Matrix of Decision Tree Model with PCA .