Luận án TS: Giảm chiều dữ liệu và ứng dụng phân lớp bệnh nhân - Giang Thành Trung

ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ —+—— GIANG THÀNH TRUNG NGHIÊN CỨU MỘT SỐ PHƯƠNG PHÁP GIAM CHIEU DU LIEU, UNG DUNG TRONG BAI TOAN PHAN LGP BENH NHAN LUAN AN TIEN SI HE THONG THONG TIN DAI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ ———+%_——— GIANG THÀNH TRUNG NGHIÊN CỨU MỘT SỐ PHƯƠNG PHÁP GIẢM CHIEU DU LIEU, GNG DỤNG TRONG BAI TOAN PHAN LGP BENH NHAN Chuyên ngành: Hệ thống thông tin Mã số: 9480104.01 LUẬN ÁN TIỀN SĨ HỆ THỐNG THÔNG TIN NGƯỜI HƯỚNG DẪN KHOA HỌC: 1. TRAN DANG HUNG 2. LE NGUYEN KHOI Mục lục Trang MỞ ĐẦU|. |Lựa chon đặc trung).

[Irích chọn đặc trưng|.|Phương pháp lail. |Một số thách thức đặt ra khi giảm chiều dit liệu y sinh học 1./Van đề nghiên cứu của luận án|. Kiến thức nền tảng chung|.|Đánh giá kết quả thực nghiệm|. c2 2020221221121 n HE ng ng nh nh nha 42 2.

[Kiến thức nền tảng|.Phương pháp hàm nhân|.|Phương pháp học da hàm nhân|. |Phương pháp nhúng đồ thị trong giảm chiều dữ liệu 4ï 2.|Phương pháp MKL-DR. Nhan xét phương pháp MKL-DRÌ. [Thực nghiệm và kết quải|.[Tập dit liỆN|L.

2222222002220 2 01 2n ha 60 PHÂN LỚP BỆNH NHÂN DỰA TRÊN PHƯƠNG PHÁP PHAN TÍCH THÀNH PHAN CHÍNH TANG CƯỜNG. eee reer nn nhe nhe nhe nho 77 ii 3.|Phương pháp phân tích thành phần chính|.|Phương pháp PCA|. Phân lớp dựa trên Hoc da ham nhân|. [Thực nghiệm và kết quải|.

[Tập di liệu|. c0 2n 2n HE nề neo 97 3. [Thiết kế thực nghiệm|. [Kết quả thực nghiệm|.cc c2 22c Ằ: 99 Danh mục các công trình khoa học của tac giả liên quan dén luận án US 11 Danh sách hình vẽ điều trị "Ăn Se tương ứng vdi giá trị của véc tơ 8 được trả vé của thuật toán) 2.5 So sánh độ chính xác của bộ phân lớp trên từng tập dữ liệu 2.6 Đường cong ROC so sánh các mô hình phân lớp|.

67 27 So sánh thời gian thực hiện khi số lần lặp là 20 với kích thước tập di liệu khác nhau 2.8 Mô hình tiền xử lý dữ liệu ảnh cộng hưởng từ bệnh nhân Alzheimer|.1 Ví dụ về đo thông tin dựa trên phương sail.2 Minh họa ý tưởng phương pháp PCA|L.3 Ý tưởng chính của phương pháp PCA|.6 Mô hình tiền xử lý tập dữ liệu biểu hiện gen dựa trên RPCA 3.7 Biểu đồ đường cong ROC của các mô hình phân lớp trên từng tập dữ liệu bệnh ung thư Danh sách bảng 11 Ưu, nhược điểm của Phương pháp lọc|_.2 Ưu, nhược điểm của Phương pháp bao gói|.3 Ưu, nhược điểm của Phương pháp nhúng.4 Ưu, nhược điểm của Phương pháp trích chọn đặc trưng|. 26 15 Ưu, nhược điểm của Phương pháp lai.6 Bảng minh họa kết quả dự đoán|.2 Do chính xác của các bộ phân lớp giữa các tập dữ liệu gốc và các tập dữ liệu được tiền xử lý dựa trên RPCA 3.3 Độ chính xác của các mô hình phân lớp tích hợp từ 2, 3 bộ phan lớp thành phần vì Giá trị AUC của các mô hình phân lớp vii Thuật ngữ và từ viết tắt Từ viết tắt | Từ gốc Giải nghĩa - Tạm dịch AD Alzheimer Disease Bệnh Alzheimer ADNI Alzheimer’s Disease Neroimag- | Sáng kiến chan đoán và điều ing Initiative trị bệnh Alzheimer dựa trên hình ảnh AUC Area Under the Curver Diện tích bên dưới đường cong ROC BREAST Breast Invasive Carcinoma Bệnh ung thư biểu mô vú DL Dữ liệu fMKL-DR Fast Multiple Kernel Learning | Học đa hàm nhân kết hợp for Dimensionality Reduction | giảm chiều dữ liệu nhanh GBM Glioblastoma Multiforme Bệnh ung thư não KNN K-Nearest Neighbors K láng giềng gần nhất LUNG Lung Squamous Cell Carci- | Bệnh ung thư phổi noma MCMO Matrix Chain Multiplication | Thủ tục tính thứ tự nhân Ordering Proceduce tích chuỗi ma trận tối ưu MKL Multiple Kernel Learning Hoc da ham nhan MKL-DR Multiple Kernel Learning for | Học đa hàm nhân kết hợp Dimensionality Reduetion giảm chiều dữ liệu ML Machine Learning Học máy MMSE Mini Mental State Examina- | Trắc nghiệm trí tuệ tion MRI Magnetic Resonance Imaging Anh chụp cộng hưởng từ OV Ovarian Serous Cytadenocarci- | Bệnh ung thư biểu mô noma buồng trứng PCA Principal Component Analysis | Phan tích thành phần chính rMKL-DR Regularized Multiple Kernel Learning for Dimensionality Reduction ROC Receiver Operating Character- istic ROI Regions of Interest Vùng được quan tâm RPCA Robust Principal Component | Phân tích thành phần chính Analysis tăng cường SDP Semidefinite Programming SVD Singular Value Decomposition viii SVM Support Vector Machine Máy vector hỗ trợ ix Lời cam đoan Tôi xin cam đoan đây là công trình nghiên cứu do tôi thực hiện dưới sự hướng dẫn của PGS. Trần Dăng Hưng và TS. Lê Nguyên Khôi tại bộ môn Hệ thống thông tin, Khoa Công nghệ Thông tin, Trường Đại học Công nghệ, Đại học Quốc gia Hà Nội.

Các số liệu và kết quả trình bày trong luận án là trung thực, chưa được công bố bởi bất kỳ tác giả nào hay ở bất kỳ công trình nào khác. Tác giả Lời cảm ơn Trước tiên tôi xin gửi lời cảm ơn chân thành và sâu sắc đến thầy giáo, PGS. Trần Đăng Hưng - người thầy đã hướng dẫn, khuyến khích, truyền cảm hứng, chỉ bảo và tạo cho tôi những điều kiện tốt nhất từ khi bắt đầu làm nghiên cứu sinh đến khi hoàn thành luận án. Toi xin cẩm ơn thay giáo, TS.

Lê Nguyên Khôi - người thầy hướng dẫn đã luôn khuyến khích, động viên tôi để tôi có thể hoàn thành luận án. Toi xin cám ơn Tiến sĩ Nguyễn Thanh Phương, Trường Đại học Luxemburg - người đã chia sẻ với tôi nhiều kiến thức và kinh nghiệm trong nghiên cứu khoa học để tôi có thể hoàn thành luận án này. Tôi xin chân thành cảm ơn các thầy cô giáo khoa Công nghệ thông tin, Trường Đại học Công nghệ, Đại học Quốc gia Hà Nội, đặc biệt là các Thầy Cô trong Bộ môn Các Hệ thống thông tin đã tận tình đào tạo, cung cấp cho tôi những kiến thức vô cùng quý giá, đã tạo điều kiện tốt nhất cho tôi về môi trường làm việc trong suốt quá trình học tập, nghiên cứu tại Trường. Tôi xin chân thành cảm ơn Khoa Công nghệ Thông tin, Trung tâm Tính toán khoa học, Trường Dại học Sư phạm Hà Nội đã tạo điều kiện về môi trường làm việc và hỗ trợ hệ thống tính toán để giúp tôi hoàn thành nghiên cứu này.

Đồng thời tôi xin chân thành cảm ơn các đồng nghiệp trong Phòng Bảo đảm chất lượng và Thanh tra Pháp chế, Khoa Khoa học Tự nhiên - Công nghệ thuộc Trường Đại học Tây Bắc, Công ty cổ phần Đầu tư GCL đã tạo mọi điều kiện, bố trí thời gian tốt nhất dành cho tôi trong suốt quá trình làm nghiên cứu sinh. Tôi xin cảm ơn Công ty TNHH Đầu tư và Phát triển đô thị Gia Lâm thuộc Tập đoàn Vingroup và hỗ trợ bởi Quỹ Đổi mới sáng tạo Vingroup (VINIF) trong Dự án mã số VINIF.DA18 đã tài trợ cho tôi thực hiện nghiên cứu này. Cuối cùng, tôi xin chân thành cảm ơn những người thân trong gia đình cùng toàn thể bạn bè đã luôn giúp đỡ, động viên tôi những lúc gặp phải khó khăn trong suốt quá trình học tập và nghiên cứu. xi MỞ ĐẦU Đặt vấn đề Trong thập kỷ vừa qua, ngành khoa học sự sống và thực nghiệm đã trải qua một cuộc cách mạng với sự phát triển nhanh chóng của các thiết bị thí nghiệm và thiết bị đo công nghệ cao.

Cùng với sự phát triển đó, lượng dit liệu được do đạc, lưu trữ và xử lý ngày càng lớn trên tất cả các lĩnh vực của đời sống xã hội, đặc biệt trong lĩnh vực y sinh học đã có sự phát triển vượt bậc về dữ liệu khi tạo ra một lượng lớn dữ liệu, như dữ liệu gen, protein, dữ liệu chuyển hóa, dữ liệu dược lý, dữ liệu lâm sàng. Nhiều bộ dữ liệu y sinh học có sự gia tăng nhanh chóng về kích thước, độ phức tạp cũng như cách biểu diễn (ảnh, vector số, video, văn ban) [2]. Nguồn dữ liệu này là cơ sở cho việc phân tích và đề xuất trong các hệ thống trợ giúp ra quyết định hỗ trợ cho các hoạt động chẩn đoán và chữa trị các bệnh do chúng là thông tin phản ánh khách quan các hoạt động đã xảy ra trong chính các cơ quan của cơ thể. Dữ liệu ở dạng thô được xử lý, biến đổi, tính toán và chuyển hóa thành tri thức để trở nên hữu ích nhằm hỗ trợ ra quyết định.

Tuy nhiên, một trong các thách thức đối với các phương pháp xử lý dữ liệu đó là các tập dữ liệu hiện nay có số chiều (hay còn gọi là đặc trưng, thuộc tính hoặc biến) rất lớn. Trong nhiều trường hợp, các bộ dữ liệu có số chiều lên tới hàng nghìn, hàng triệu chiều. Cụ thể, một tập dữ liệu microarray của một loại sinh vật có số lượng gen thường từ vài nghìn đến vài chục nghìn gen, mỗi gen được coi như một chiều (biến) khi biểu diễn dữ liệu trong các bài toán. Số lượng chiều lớn kéo theo đòi hỏi chi phí tính toán lớn, dẫn đến các phương pháp phân tích gặp nhiều khó khăn để đáp ứng yêu cầu về thời gian phản hồi khi đưa vào trong các bài toán thực tế.

Khi đó, một bước tiền xử lý được đề xuất là giảm chiều dữ liệu nhằm giảm số lượng biến để phù hợp với các hệ thống máy tính và giảm thời gian thực hiện thuật toán [3]. Giảm chiều dữ liệu được hiểu là từ một tập dữ liệu gốc ban đầu, áp dụng các phương pháp phân tích để giảm rất nhiều đặc trưng của dữ liệu sao cho vẫn giữ lại được bản chất thông tin của tập dữ liệu đó. Hiện nay, giảm chiều dữ liệu đã trỏ thành một bước kỹ thuật cần thiết nhằm biến đổi dữ liệu gốc ban đầu bằng cách giảm đặc trưng để phù hợp với số mẫu và các mô hình tính toán ở bước tiếp theo. Trong nhiều năm qua, hướng nghiên cứu về giảm chiều dit liệu luôn thu hút được sự quan tâm của các nhà nghiên cứu và thực tế đã có nhiều phương pháp giảm chiều dữ liệu đã được đưa ra nhằm giải quyết thách thức nêu trên ñð|.

Có hai hướng tiếp cận chính để giảm chiều dữ liệu là lựa chọn đặc trưng và trích chọn đặc trưng. Lựa chọn đặc trưng giảm chiều bằng cách lựa chon một tập con đặc trưng từ tập đặc trưng gốc sao cho tập dữ liệu từ tập con đặc trưng vẫn phản ánh được bản chất thông tin nhiều nhất có thể so với tập dữ liệu ban đầu. Trích chọn đặc trưng giảm chiều dựa trên việc biến đổi tập đặc trưng gốc thành một tập đặc trưng mới trong không gian thấp chiều sao cho tối thiểu hóa mất mát thông tin so với tập dữ liệu ban đầu.