Bối cảnh và vấn đề nghiên cứu

Ung thư vú là một trong những bệnh lý ác tính phổ biến hàng đầu và là nguyên nhân gây tử vong do ung thư cao nhất ở nữ giới trên phạm vi toàn cầu. Theo báo cáo của Tổ chức Y tế Thế giới (WHO) năm 2018, có khoảng 2,1 triệu trường hợp mắc mới và 627.000 ca tử vong do ung thư vú, chiếm khoảng 15% tổng số ca tử vong vì ung thư ở phụ nữ. Thống kê của GLOBOCAN năm 2020 đối với 36 loại ung thư tại 185 quốc gia cho thấy ung thư vú đã vượt qua ung thư phổi để trở thành bệnh có số ca mắc mới cao nhất thế giới với ước tính 2,3 triệu ca (chiếm 11,7%) và đứng thứ hai về số ca tử vong (chiếm 6,9%). Dự báo đến năm 2040, gánh nặng ung thư toàn cầu sẽ tăng 47%, đạt 28,4 triệu trường hợp, trong đó mức tăng ở các nước đang phát triển (từ 64% lên 95%) cao hơn đáng kể so với các nước phát triển (từ 32% lên 56%).

Tại Việt Nam, tỷ lệ mắc ung thư vú chuẩn hóa theo tuổi ở mức 23/100.000 dân, thấp hơn so với các nước phát triển như Úc hay Hoa Kỳ (khoảng 120/100.000 dân). Tuy nhiên, trong khi tỷ lệ này tại các nước phát triển đang duy trì ổn định hoặc có xu hướng giảm thì tại Việt Nam tỷ lệ mắc đã tăng gấp hơn 2 lần trong hai thập kỷ qua. Điều kiện kinh tế - xã hội với mức thu nhập bình quân khoảng 3.200 USD/năm và mức đóng bảo hiểm y tế tự nguyện khoảng 20 USD/năm cùng cơ sở vật chất y tế tuyến cơ sở còn hạn chế khiến việc tiếp cận các kỹ thuật chẩn đoán lâm sàng chuyên sâu (như chụp X-quang tuyến vú hay khám lâm sàng CBE) gặp nhiều khó khăn.

Việc ước tính chính xác tiên lượng và thời gian sống sót đóng vai trò quyết định trong việc lựa chọn phác đồ điều trị, hạn chế các can thiệp phẫu thuật không cần thiết và tối ưu hóa chi phí y tế. Khai phá dữ liệu và máy học mang lại tiềm năng hỗ trợ các chuyên gia y tế mô hình hóa các biến số cận lâm sàng để theo dõi khả năng điều trị và dự báo tỷ lệ sống sót của bệnh nhân.

Mục tiêu của đồ án được xác định cụ thể:

  1. Ứng dụng các kỹ thuật khai phá dữ liệu và máy học để phân tích thống kê, dự báo tỷ lệ sống sót nhằm theo dõi khả năng điều trị của bệnh nhân ung thư vú dựa trên các thuộc tính lâm sàng và cận lâm sàng.
  2. Đề xuất ứng dụng kết quả và quy trình phân tích vào chương trình giảng dạy môn Thống kê Y học cho học viên sau đại học thuộc các chuyên ngành y khoa tại đơn vị công tác.

Đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Bộ dữ liệu hồ sơ bệnh nhân ung thư vú (Breast Cancer Survival), bao gồm các thông số nhân khẩu học, giải phẫu bệnh và thời gian theo dõi điều trị.
  • Phạm vi dữ liệu: Bộ dữ liệu thứ cấp gồm 1.121 bản ghi bệnh nhân được theo dõi trong khoảng thời gian 10 năm, trích xuất từ tệp định dạng SPSS (.sav).

Cơ sở lý thuyết và phương pháp

Khung lý thuyết và mô hình thuật toán

Đồ án tiếp cận bài toán phân tích sống còn và phân lớp dữ liệu thông qua các nền tảng toán học và mô hình khai phá dữ liệu có giám sát (Supervised Learning):

  1. Phương pháp ước tính Kaplan-Meier (KM): Được sử dụng để ước tính hàm xác suất sống sót $S(t)$ theo thời gian đối với dữ liệu có hiện tượng kiểm duyệt (censored data). Công thức xác suất sống sót tại thời điểm $t_i$: $$S(t_i) = S(t_{i-1})\left(1 - \frac{d_i}{n_i}\right)$$ Trong đó $d_i$ là số ca biến cố (tử vong) tại $t_i$, $n_i$ là số bệnh nhân còn sống ngay trước $t_i$, với $S(0) = 1$. Phương pháp này kết hợp cùng mô hình hồi quy mối nguy theo tỷ lệ Cox (Cox Proportional Hazards Model) để đánh giá ảnh hưởng của các biến nguy cơ.

  2. Thuật toán K láng giềng gần nhất (K-Nearest Neighbor - KNN): Phân loại trường hợp mới dựa trên khoảng cách (Euclid, Manhattan, Minkowski) tới $k$ phần tử gần nhất trong không gian thuộc tính đa chiều và cơ chế bỏ phiếu theo đa số hoặc tính trọng số.

  3. Thuật toán Naïve Bayes (GaussianNB): Dựa trên định lý xác suất Bayes với giả định các thuộc tính độc lập có điều kiện: $$P(A|B) = \frac{P(B|A)P(A)}{P(B)}$$ Cho phép tính toán nhanh xác suất tiên lượng từ các biến số độc lập.

  4. Mạng nơ-ron nhân tạo (Artificial Neural Network - ANN): Mô phỏng cấu trúc nơ-ron sinh học (gồm soma, dendrite, axon và synapse). Mô hình gồm ba thành phần: tầng đầu vào (Input layer), các tầng ẩn (Hidden layers) và tầng đầu ra (Output layer), sử dụng các hàm kích hoạt (activation function) và thuật toán lan truyền ngược để tối ưu hóa trọng số kết nối.

  5. Hồi quy Logistic (Logistic Regression): Dự báo xác suất nhị phân dựa trên hàm kích hoạt Sigmoid: $$g(z) = \frac{1}{1 + e^{-z}}$$ kết hợp tối ưu hóa hàm mất mát (Cost Function) Cross-Entropy và thành phần điều chuẩn (Regularization) $\lambda$.

  6. Máy vector hỗ trợ (Support Vector Machine - SVM / SVC): Xác định siêu phẳng phân cách tối ưu để cực đại hóa khoảng cách lề (Margin) giữa các lớp dữ liệu, kết hợp các hàm nhân (Kernel Function) như Linear, Polynomial, RBF (Gauss) để ánh xạ không gian phi tuyến.

  7. Cây quyết định (Decision Tree): Sử dụng cấu trúc cây phân cấp gồm nút gốc, nút nhánh và nút lá dựa trên các tiêu chuẩn phân tách như độ hỗn loạn Entropy và độ lợi thông tin (Information Gain) thông qua các thuật toán ID3, C4.5 hoặc CART.

  8. Rừng ngẫu nhiên (Random Forest): Kỹ thuật học kết hợp (Ensemble Learning) xây dựng tập hợp nhiều cây quyết định độc lập thông qua kỹ thuật lấy mẫu đóng bao (bagging) và chọn ngẫu nhiên không gian thuộc tính nhằm giảm thiểu hiện tượng quá khớp (overfitting).

  9. Thuật toán AdaBoost (Adaptive Boosting): Kết hợp tuyến tính chuỗi các bộ phân loại yếu (weak learners) bằng cách cập nhật trọng số phân bố dữ liệu sau mỗi vòng lặp, tăng trọng số đối với các mẫu phân loại sai để hình thành bộ phân loại mạnh (strong classifier).

Phương pháp nghiên cứu thực tế

Quy trình nghiên cứu được triển khai theo các giai đoạn:

  • Trích xuất dữ liệu từ tệp gốc .sav.
  • Tiền xử lý dữ liệu: làm sạch dữ liệu, kiểm tra và xử lý các giá trị khuyết thiếu (missing data), chuẩn hóa các kiểu dữ liệu và lọc nhiễu.
  • Phân tích thống kê mô tả và trực quan hóa phân bố thuộc tính lâm sàng đối với biến mục tiêu sống còn.
  • Phân chia tập dữ liệu thành tập huấn luyện (training set) và tập kiểm thử (test set).
  • Huấn luyện và đánh giá thực nghiệm 8 mô hình phân lớp.

Tiêu chí đánh giá hiệu năng mô hình bao gồm: Ma trận nhầm lẫn (Confusion Matrix: TP, TN, FP, FN), Độ chính xác (Accuracy), Độ nhạy (Recall), Độ đặc hiệu (Precision), Điểm F1 (F1-score), Đường cong ROC và Diện tích dưới đường cong ROC (AUC).

Nguồn dữ liệu nghiên cứu

Nghiên cứu sử dụng bộ dữ liệu công khai Breast Cancer Survival (tác giả Zahra Zolghadr) gồm 1.121 bản ghi, được cấu trúc thành 10 thuộc tính đặc trưng phục vụ phân tích y sinh học.

Tên thuộc tính Kiểu dữ liệu Mô tả chi tiết
age Integer Tuổi của bệnh nhân tại thời điểm chẩn đoán (năm)
pathsize Float Kích thước khối u giải phẫu bệnh (cm)
lnpos Integer Số lượng hạch bạch huyết dương tính được phát hiện
histgrad Integer Độ biệt hóa tế bào (mức 1 đến 3; giá trị 4: Unknown)
er Integer Tình trạng thụ thể Estrogen (0: Âm tính; 1: Dương tính; 2: Unknown)
pr Integer Tình trạng thụ thể Progesterone (0: Âm tính; 1: Dương tính; 2: Unknown)
status Integer Tình trạng sống còn (0: Censored - còn sống/mất dấu; 1: Died - tử vong)
pathscat Integer Phân loại kích thước khối u (1: <2 cm; 2: 2-5 cm; 3: >5 cm)
ln_yesno Integer Tình trạng di căn hạch (0: Không có hạch; 1: Có hạch)
time Float Tổng thời gian theo dõi điều trị của bệnh nhân (tháng)

Nội dung chính theo từng chương

Chương 1: Tổng quan tình hình bệnh ung thư vú trên thế giới và sự cần thiết của việc ứng dụng đồ án

Chương 1 phân tích bức tranh dịch tễ học toàn cầu và tại Việt Nam dựa trên báo cáo của WHO và GLOBOCAN 2020. Dữ liệu xếp hạng 10 bệnh ung thư phổ biến nhất năm 2020 khẳng định ung thư vú đứng đầu về tỷ lệ mắc mới với 2.261.419 ca (11,7%) và đứng thứ năm về tỷ lệ tử vong tuyệt đối với 684.996 ca (6,9%).

Loại ung thư Tổng số ca phát hiện mới (Tỷ lệ %) Tổng số ca gây tử vong (Tỷ lệ %)
Ung thư vú 2.261.419 (11,7%) 684.996 (6,9%)
Ung thư phổi 2.206.771 (11,4%) 1.796.144 (18,0%)
Ung thư đại trực tràng 1.931.590 (10,0%) 935.173 (9,4%)
Ung thư tuyến tiền liệt 1.414.259 (7,3%) 375.304 (3,8%)
Ung thư dạ dày 1.089.103 (5,6%) 768.793 (7,7%)
Ung thư gan 905.677 (4,7%) 830.180 (8,3%)
Ung thư cổ tử cung 604.127 (3,1%) 341.831 (3,4%)
Ung thư thực quản 604.100 (3,1%) 544.076 (5,5%)
Ung thư tuyến giáp 586.202 (3,0%) 43.646 (0,4%)
Ung thư bàng quang 573.278 (3,0%) 212.536 (2,1%)

Tác giả tổng hợp ba công trình nghiên cứu tiêu biểu liên quan đến đề tài:

  • Nghiên cứu tổng quan của Rozita Jamili Oskouei và cộng sự (tham khảo 125 tài liệu quốc tế) chỉ ra đa số các công trình tập trung vào độ chính xác thuật toán mà chưa xây dựng công cụ đánh giá khả năng điều trị tự động.
  • Nghiên cứu của TS. Lauren Janczewski và cộng sự tại Trung tâm Y tế McGaw (Đại học Northwestern, Hoa Kỳ) trên 259.485 bệnh nhân, xác lập 4 yếu tố then chốt chi phối khả năng sống sót sau 5 năm: phẫu thuật, độ tuổi, kích thước u và thời gian từ chẩn đoán đến điều trị.
  • Nghiên cứu tổng quan hệ thống của Jiaxin Li và cộng sự trên 31 công trình về dự đoán tỷ lệ sống sót sau 5 năm, thống kê tần suất ứng dụng các thuật toán: Decision Tree (61,3%), ANN (58,1%), SVM (51,6%), Ensemble learning (32,3%), với chỉ số AUC dao động từ 0,500 đến 0,972, đồng thời nhấn mạnh sự thiếu hụt trong chuẩn hóa tiền xử lý dữ liệu.

Chương 2: Giới thiệu các kỹ thuật khai phá dữ liệu sử dụng trong đồ án

Chương 2 trình bày cơ sở toán học, nguyên lý cấu tạo, thuật toán chi tiết cùng ưu và nhược điểm của 9 phương pháp khai phá dữ liệu:

  • Phương pháp phân tích sống còn Kaplan-Meier và hàm nguy cơ tỷ lệ Cox.
  • 8 thuật toán học máy phân loại: K-Nearest Neighbor (KNN), Naïve Bayes (GaussianNB), Artificial Neural Network (ANN), Logistic Regression, Support Vector Machine (SVC), Decision Tree (ID3/C4.5/CART), Random Forest và AdaBoost.
  • Hệ thống các tiêu chí đánh giá hiệu năng mô hình phân lớp gồm: Ma trận nhầm lẫn, Accuracy, Precision, Recall, F1-score, đường cong ROC và chỉ số AUC.

Chương 3: Phương pháp thực hiện đồ án

Chương này mô tả chi tiết quy trình thực nghiệm kỹ thuật:

  • Khám phá và giải thích chi tiết ý nghĩa y học của 10 biến số trong bộ dữ liệu 1.121 bệnh nhân. Trong đó làm rõ vai trò sinh học của thụ thể Estrogen (er) và Progesterone (pr) trong việc định hướng cơ chế đáp ứng điều trị nội tiết.
  • Quy trình tiền xử lý: Rút trích thuộc tính, kiểm tra tỷ lệ dữ liệu khuyết thiếu trên từng trường thông tin, loại bỏ nhiễu và thiết lập khung dữ liệu chính (Main Data Frame).
  • Phân tích tương quan đơn biến và đa biến: Khảo sát mối liên hệ giữa các thuộc tính lâm sàng (age, pathsize, lnpos, histgrad, er, pr, ln_yesno) đối với thời gian theo dõi (time) và tình trạng sống còn (status).
  • Thiết lập quy trình huấn luyện và kiểm thử chéo để đánh giá tính ổn định của các mô hình học máy.

Chương 4: Trình bày thực nghiệm và so sánh kết quả

Chương 4 ghi nhận kết quả thực nghiệm của các thuật toán:

  • Thực hiện huấn luyện và kiểm thử phân loại trên các mô hình: Logistic Regression, Support Vector Classifier (SVC), Decision Tree Classifier, Gaussian Naïve Bayes, Random Forest Classifier, AdaBoost Classifier, K-Neighbors Classifier và mô hình mạng nơ-ron nhân tạo (ANN Model).
  • Xây dựng ma trận nhầm lẫn chi tiết cho mô hình mạng nơ-ron nhân tạo để định lượng các chỉ số dự báo đúng/sai trên tập mẫu kiểm thử.
  • Trực quan hóa và so sánh phân bố độ chính xác trên tập huấn luyện (Accuracy Train), tập kiểm thử (Accuracy Test), độ lệch chuẩn (Standard Deviation) và điểm số trung bình (Mean Score) giữa các mô hình.
  • Phân tích đồ thị đường cong ROC và tính toán diện tích dưới đường cong AUC riêng biệt cho từng mô hình, tổng hợp biểu đồ so sánh AUC toàn diện nhằm xác định mô hình tối ưu nhất cho bộ dữ liệu bệnh nhân ung thư vú.

Kết quả và đóng góp

Kết quả nghiên cứu chính

  • Đồ án đã chuẩn hóa thành công quy trình xử lý dữ liệu y tế từ tệp thô SPSS sang cấu trúc dữ liệu phục vụ khai phá dữ liệu với 1.121 bản ghi và 10 biến số lâm sàng.
  • Đã thực nghiệm và đánh giá toàn diện 8 mô hình học máy (Logistic Regression, SVC, Decision Tree, GaussianNB, Random Forest, AdaBoost, KNN, ANN) kết hợp phương pháp Kaplan-Meier trên cùng một tập dữ liệu theo dõi 10 năm.
  • Xác lập được mối tương quan có ý nghĩa lâm sàng giữa các chỉ số cận lâm sàng (kích thước khối u pathsize, số lượng hạch dương tính lnpos, độ biệt hóa histgrad, tình trạng thụ thể nội tiết er/pr) với xác suất sống sót và thời gian sống sót của bệnh nhân.
  • Xây dựng hệ thống trực quan hóa đường cong ROC và chỉ số AUC cho từng mô hình, làm cơ sở khoa học để lựa chọn thuật toán phân loại có hiệu năng cao nhất trên bộ dữ liệu nghiên cứu.

Giải pháp và đề xuất ứng dụng

  • Đề xuất tích hợp quy trình phân tích dữ liệu sống còn và các mô hình máy học vào chương trình giảng dạy thực hành môn Thống kê Y học cho học viên sau đại học khối ngành khoa học sức khỏe.
  • Đề xuất ứng dụng mô hình hỗ trợ dự báo tỷ lệ sống sót trong quy trình hội chẩn y tế từ xa, phục vụ các cơ sở y tế tuyến tỉnh và vùng sâu vùng xa nhằm tối ưu hóa chi phí điều trị và giảm tải cho các bệnh viện tuyến trên.

Đóng góp về mặt học thuật

  • Bổ sung tài liệu thực nghiệm ứng dụng khai phá dữ liệu trên bộ dữ liệu ung thư vú chưa từng được khai phá trước đó bằng các thuật toán học máy.
  • Kết hợp đồng thời giữa phương pháp thống kê y học truyền thống (ước tính sống còn Kaplan-Meier) với các thuật toán học máy hiện đại trong việc theo dõi khả năng điều trị bệnh nhân.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của đồ án

  • Bộ dữ liệu nghiên cứu gồm 1.121 bản ghi, kích thước mẫu ở mức trung bình và thu thập từ một nguồn dữ liệu đơn lẻ, chưa được kiểm định chéo với các tập dữ liệu ngoại kiểm (external validation) từ các bệnh viện thực tế tại Việt Nam.
  • Một số thuộc tính trong bộ dữ liệu còn chứa giá trị chưa xác định (Unknown) ở các biến quan trọng như histgrad, er, pr.
  • Các mô hình phân loại phức tạp như ANN còn gặp hạn chế về tính minh giải trong môi trường lâm sàng thực tế.

Hướng nghiên cứu tiếp theo

  • Mở rộng thu thập và thử nghiệm mô hình trên các bộ dữ liệu đa trung tâm với cỡ mẫu lớn hơn để nâng cao độ tin cậy.
  • Hoàn thiện công cụ phần mềm tích hợp tác nhân thông minh có khả năng tự động hóa chẩn đoán, tiên lượng và đề xuất phác đồ điều trị phù hợp cho từng cá thể bệnh nhân.
  • Nghiên cứu tối ưu hóa các tham số mô hình và áp dụng các kỹ thuật tiền xử lý dữ liệu chuyên sâu để nâng cao hơn nữa chỉ số AUC và độ chính xác dự báo.

Giá trị tham khảo

Đồ án là tài liệu tham khảo hữu ích cho các nhóm đối tượng:

  • Học viên sau đại học và giảng viên ngành Y - Dược: Cung cấp tài liệu minh họa trực quan cho môn Thống kê Y học về cách ứng dụng đường cong sống còn Kaplan-Meier và mô hình Cox trên dữ liệu lâm sàng thực tế.
  • Học viên cao học và sinh viên ngành Khoa học máy tính, Công nghệ thông tin: Cung cấp khung phương pháp luận hoàn chỉnh về xử lý dữ liệu dạng bảng trong y tế, kỹ thuật phân lớp đa mô hình (ANN, SVM, Ensemble Learning) và quy trình đánh giá qua ma trận nhầm lẫn và đường cong ROC-AUC.
  • Nghiên cứu viên Tin sinh học và Y tế thông minh: Cung cấp nguồn tham khảo về các biến số cận lâm sàng ảnh hưởng trực tiếp đến tiên lượng ung thư vú phục vụ xây dựng các hệ thống hỗ trợ ra quyết định lâm sàng (CDSS).

Câu hỏi thường gặp

1. Bộ dữ liệu được sử dụng trong đồ án có nguồn gốc từ đâu và quy mô như thế nào?
Bộ dữ liệu có tên Breast Cancer Survival, do tác giả Zahra Zolghadr công bố công khai dưới định dạng tệp SPSS (.sav). Bộ dữ liệu gồm 1.121 bản ghi bệnh nhân ung thư vú được theo dõi trong khoảng thời gian 10 năm với 10 thuộc tính đặc trưng.

2. Các thuộc tính nào trong bộ dữ liệu thể hiện tình trạng thụ thể hormone của bệnh nhân?
Hai thuộc tính thể hiện tình trạng thụ thể hormone là er (thụ thể Estrogen) và pr (thụ thể Progesterone). Cả hai thuộc tính đều nhận các giá trị: 0 (Âm tính - Negative), 1 (Dương tính - Positive) và 2 (Không xác định - Unknown). Đây là các chỉ dấu sinh học quan trọng quyết định phương pháp điều trị nội tiết.

3. Biến mục tiêu dùng để phân loại tình trạng sống còn của bệnh nhân trong đồ án là gì?
Biến mục tiêu là status, nhận giá trị nguyên: 0 biểu thị trạng thái kiểm duyệt (Censored - bệnh nhân còn sống hoặc mất dấu theo dõi tại thời điểm kết thúc nghiên cứu) và 1 biểu thị trạng thái tử vong (Died - tử vong do bệnh ung thư vú).

4. Những thuật toán học máy nào đã được tác giả đưa vào thử nghiệm và so sánh trong đồ án?
Tác giả đã triển khai 8 thuật toán phân lớp gồm: Logistic Regression, Support Vector Machine (SVC), Cây quyết định (Decision Tree Classifier), Naïve Bayes (GaussianNB), Rừng ngẫu nhiên (Random Forest Classifier), AdaBoost Classifier, K-Nearest Neighbor (KNN) và Mạng nơ-ron nhân tạo (ANN Model), kết hợp cùng phương pháp phân tích sống còn Kaplan-Meier.

5. Điểm khác biệt giữa tỷ lệ mắc ung thư vú tại Việt Nam so với các nước phương Tây được nêu trong đồ án là gì?
Theo số liệu trích dẫn trong đồ án, tỷ lệ mắc ung thư vú chuẩn hóa theo tuổi ở phụ nữ Việt Nam ở mức 23/100.000 dân, thấp hơn đáng kể so với mức khoảng 120/100.000 dân tại Úc và Hoa Kỳ. Tuy nhiên, tỷ lệ này tại Việt Nam đã tăng hơn gấp 2 lần trong 20 năm qua, trong khi tại các nước phát triển tỷ lệ này duy trì ổn định hoặc có xu hướng giảm.

Kết luận

Đồ án tốt nghiệp Thạc sĩ Khoa học máy tính của tác giả Lưu Nguyễn Thanh Tòng đã hệ thống hóa cơ sở lý thuyết và triển khai thành công các kỹ thuật khai phá dữ liệu, máy học trên bộ dữ liệu 1.121 bệnh nhân ung thư vú theo dõi trong 10 năm. Nghiên cứu đã so sánh toàn diện hiệu năng của 8 mô hình phân loại cùng phương pháp ước tính Kaplan-Meier thông qua các chỉ số Accuracy, Precision, Recall, F1-score và ROC-AUC. Kết quả đồ án không chỉ giải quyết bài toán phân tích mối quan hệ giữa các đặc trưng cận lâm sàng với khả năng sống sót của bệnh nhân mà còn mở ra định hướng ứng dụng thiết thực vào giảng dạy Thống kê Y học và hỗ trợ ra quyết định lâm sàng trong y tế.