Machine learning chẩn đoán Alzheimer sử dụng genomics, MRI và PET - Vũ Duy Thanh
Luận văn thạc sĩ phát triển công cụ machine learning chẩn đoán Alzheimer. Kết hợp dữ liệu genomics, MRI và PET để xây dựng mô hình dự đoán chính xác.
paris-saclay university; vnu university of engineering and technology
Điện tử, Năng lượng điện, Tự động hóa; Kỹ thuật truyền thông và Dữ liệu
Luan An
Luận văn thạc sĩ
Năm xuất bản
Số trang
79
Thời gian đọc
12 phút
Lượt xem
2
Lượt tải
0
Phí lưu trữ
40 Point
Tổng quan nhanh
- Chủ đề:
- 1. Machine Learning Chẩn Đoán Alzheimer: Tổng Quan
- Số trang:
- 79 trang
- Trường:
- paris-saclay university; vnu university of engineering and technology
- Chuyên ngành:
- Điện tử, Năng lượng điện, Tự động hóa; Kỹ thuật truyền thông và Dữ liệu
- Tác giả:
- Vũ Duy Thanh
- Năm:
- 2023
Tóm tắt nội dung luận án
I. Machine Learning Chẩn Đoán Alzheimer Tổng Quan
Bệnh Alzheimer đang trở thành thách thức y tế toàn cầu. Công nghệ machine learning mở ra hướng tiếp cận mới trong chẩn đoán sớm. Nghiên cứu của Vũ Duy Thanh tại CHUV/UNIL kết hợp dữ liệu genomics và neuroimaging biomarkers. Phương pháp này tích hợp whole genome sequencing, structural MRI hippocampus atrophy và FDG-PET glucose metabolism. Deep learning Alzheimer detection đạt độ chính xác cao hơn phương pháp truyền thống. Multimodal fusion learning khai thác thông tin từ nhiều nguồn dữ liệu. Genetic variants APOE4 đóng vai trò quan trọng trong dự đoán nguy cơ. Amyloid beta plaques imaging và tau protein detection cung cấp biomarkers sinh học. Convolutional neural networks brain scans phân tích hình ảnh não tự động. Single nucleotide polymorphisms SNPs xác định yếu tố di truyền. Luận văn thạc sĩ này được thực hiện dưới sự hướng dẫn của GS. Nguyễn Linh Trung và GS. Laurent Le Brusquet. Nghiên cứu kéo dài bốn tháng tại Centre Laboratoire d'Epalinges. Kết quả mở ra triển vọng ứng dụng lâm sàng.
1.1. Bối Cảnh Nghiên Cứu Alzheimer Hiện Đại
Bệnh Alzheimer ảnh hưởng hàng triệu người toàn cầu. Chẩn đoán sớm cải thiện chất lượng điều trị. Phương pháp truyền thống dựa vào đánh giá lâm sàng. Độ chính xác còn hạn chế ở giai đoạn đầu. Machine learning cung cấp công cụ phân tích mạnh mẽ. Deep learning Alzheimer detection xử lý dữ liệu phức tạp. Neuroimaging biomarkers phát hiện thay đổi cấu trúc não. Genetic variants APOE4 tăng nguy cơ mắc bệnh. Nghiên cứu tại CHUV kết hợp nhiều phương pháp. Mục tiêu xây dựng hệ thống chẩn đoán tự động.
1.2. Phương Pháp Tiếp Cận Đa Phương Thức
Multimodal fusion learning tích hợp nhiều nguồn dữ liệu. Whole genome sequencing phân tích toàn bộ gen. Structural MRI hippocampus atrophy đo teo não. FDG-PET glucose metabolism đánh giá chuyển hóa glucose. Convolutional neural networks brain scans xử lý hình ảnh. Single nucleotide polymorphisms SNPs xác định biến thể gen. Amyloid beta plaques imaging phát hiện mảng bám. Tau protein detection đo protein tau bất thường. Kết hợp các phương pháp nâng cao độ chính xác. Hệ thống tự động hỗ trợ bác sĩ lâm sàng.
1.3. Đóng Góp Khoa Học Của Luận Văn
Nghiên cứu phát triển công cụ machine learning mới. Tích hợp genomics và neuroimaging biomarkers. Deep learning Alzheimer detection đạt hiệu suất cao. Multimodal fusion learning khai thác thông tin đa chiều. Phương pháp tensor decomposition phân tích dữ liệu phức tạp. Genetic variants APOE4 được tích hợp vào mô hình. Convolutional neural networks brain scans tự động hóa phân tích. Kết quả được thực nghiệm trên dữ liệu thực. Nghiên cứu mở ra hướng ứng dụng lâm sàng. Luận văn đóng góp vào y học chính xác.
II. Dữ Liệu Genomics Trong Chẩn Đoán Alzheimer
Whole genome sequencing cung cấp thông tin di truyền toàn diện. Single nucleotide polymorphisms SNPs xác định biến thể gen liên quan bệnh. Genetic variants APOE4 là yếu tố nguy cơ mạnh nhất. Gen APOE có ba dạng chính: E2, E3, E4. Dạng E4 tăng nguy cơ Alzheimer gấp 3-15 lần. Phân tích genomics phát hiện hàng triệu SNPs. Machine learning lọc SNPs có ý nghĩa lâm sàng. Deep learning Alzheimer detection xử lý dữ liệu gen phức tạp. Các thuật toán học tìm mẫu hình liên quan bệnh. Multimodal fusion learning kết hợp gen với hình ảnh não. Phương pháp tensor decomposition giảm chiều dữ liệu. Feature selection chọn SNPs quan trọng nhất. Genetic variants APOE4 được ưu tiên trong mô hình. Phân tích pathway xác định con đường sinh học. Kết quả genomics bổ sung cho neuroimaging biomarkers. Dữ liệu gen giúp dự đoán nguy cơ sớm. Ứng dụng lâm sàng hỗ trợ y học cá nhân hóa.
2.1. Whole Genome Sequencing Và Xử Lý Dữ Liệu
Whole genome sequencing đọc toàn bộ 3 tỷ base pairs. Công nghệ next-generation sequencing tạo dữ liệu lớn. Quy trình preprocessing loại bỏ nhiễu và lỗi. Quality control đảm bảo độ tin cậy dữ liệu. Alignment mapping reads lên genome tham chiếu. Variant calling xác định single nucleotide polymorphisms SNPs. Annotation gán chức năng cho biến thể gen. Dữ liệu genomics yêu cầu lưu trữ và xử lý mạnh. Machine learning tự động hóa phân tích. Deep learning Alzheimer detection học từ dữ liệu thô.
2.2. Genetic Variants APOE4 Và Nguy Cơ Alzheimer
Gen APOE nằm trên nhiễm sắc thể 19. Mã hóa protein apolipoprotein E. Dạng APOE4 tăng nguy cơ Alzheimer đáng kể. Người mang một bản sao E4 tăng nguy cơ 3 lần. Hai bản sao E4 tăng nguy cơ lên 15 lần. APOE4 ảnh hưởng chuyển hóa amyloid beta plaques imaging. Protein E4 kém hiệu quả xử lý amyloid. Genetic variants APOE4 là biomarker quan trọng. Machine learning tích hợp thông tin APOE vào mô hình. Phân tích gen APOE hỗ trợ chẩn đoán sớm.
2.3. Single Nucleotide Polymorphisms SNPs Quan Trọng
SNPs là biến thể gen phổ biến nhất. Xảy ra khi một nucleotide thay đổi. Genome người có khoảng 4-5 triệu SNPs. Chỉ một số nhỏ liên quan Alzheimer. Genome-wide association studies xác định SNPs nguy cơ. Các gen quan trọng: CLU, PICALM, CR1. Single nucleotide polymorphisms SNPs ảnh hưởng protein function. Machine learning chọn SNPs có giá trị dự đoán. Deep learning Alzheimer detection học tương tác phức tạp. Multimodal fusion learning kết hợp SNPs với neuroimaging biomarkers.
III. Neuroimaging Biomarkers MRI Và PET Scans
Neuroimaging biomarkers cung cấp thông tin cấu trúc và chức năng não. Structural MRI hippocampus atrophy đo teo vùng hồi hải mã. Hippocampus là vùng não quan trọng cho trí nhớ. Teo hippocampus là dấu hiệu sớm Alzheimer. FDG-PET glucose metabolism đánh giá hoạt động chuyển hóa. Giảm glucose metabolism báo hiệu suy giảm chức năng não. Amyloid beta plaques imaging phát hiện mảng bám protein. Amyloid-PET sử dụng chất đánh dấu đặc hiệu. Tau protein detection xác định rối loạn protein tau. Tau-PET imaging phát hiện tau tangles. Convolutional neural networks brain scans phân tích hình ảnh tự động. Deep learning Alzheimer detection trích xuất đặc trưng phức tạp. Multimodal fusion learning kết hợp MRI và PET. Structural MRI cung cấp thông tin giải phẫu. Functional PET đánh giá hoạt động sinh lý. Machine learning phân loại giai đoạn bệnh. Neuroimaging biomarkers hỗ trợ chẩn đoán chính xác. Kết hợp với genomics nâng cao độ tin cậy.
3.1. Structural MRI Hippocampus Atrophy Analysis
MRI sử dụng từ trường mạnh tạo hình ảnh não. T1-weighted imaging cung cấp độ phân giải cao. Hippocampus nằm trong thùy thái dương giữa. Thể tích hippocampus giảm ở bệnh nhân Alzheimer. Structural MRI hippocampus atrophy đo thể tích chính xác. Segmentation tự động phân vùng hippocampus. Convolutional neural networks brain scans thực hiện segmentation. Deep learning Alzheimer detection so sánh với người khỏe. Teo hippocampus tương quan với suy giảm trí nhớ. Neuroimaging biomarkers hỗ trợ theo dõi tiến triển bệnh.
3.2. FDG PET Glucose Metabolism Imaging
PET scan sử dụng chất phóng xạ đánh dấu. FDG (fluorodeoxyglucose) là glucose tương tự. Não hoạt động tiêu thụ glucose nhiều. FDG-PET glucose metabolism đo mức tiêu thụ glucose. Giảm metabolism ở vỏ não sau và thái dương. Hypometabolism là dấu hiệu sớm Alzheimer. Deep learning Alzheimer detection phân tích mẫu hình metabolism. Convolutional neural networks brain scans xử lý hình ảnh PET. Multimodal fusion learning kết hợp FDG-PET với MRI. Neuroimaging biomarkers cải thiện độ chính xác chẩn đoán.
3.3. Amyloid Beta Plaques Và Tau Protein Detection
Amyloid beta là protein tích tụ trong não. Tạo mảng bám ngoài tế bào thần kinh. Amyloid beta plaques imaging sử dụng PET tracers. Các tracers phổ biến: Florbetapir, Flutemetamol. Tau protein bất thường tạo tangles trong neuron. Tau protein detection xác định giai đoạn bệnh. Tau tangles tương quan mạnh với triệu chứng. Amyloid và tau là neuroimaging biomarkers chính. Deep learning Alzheimer detection phân tích cả hai protein. Convolutional neural networks brain scans định lượng tự động.
IV. Deep Learning Alzheimer Detection Methods
Deep learning Alzheimer detection cách mạng hóa chẩn đoán bệnh. Convolutional neural networks brain scans xử lý hình ảnh não hiệu quả. Kiến trúc CNN học đặc trưng từ dữ liệu thô. Các layer convolution trích xuất patterns phức tạp. Pooling layers giảm chiều dữ liệu giữ thông tin quan trọng. Fully connected layers thực hiện phân loại cuối cùng. Transfer learning sử dụng mô hình pretrained. ResNet, VGG, Inception là kiến trúc phổ biến. Fine-tuning điều chỉnh mô hình cho dữ liệu não. Multimodal fusion learning tích hợp nhiều nguồn dữ liệu. Early fusion kết hợp dữ liệu ở đầu vào. Late fusion kết hợp predictions từ nhiều mô hình. Intermediate fusion merge features ở tầng giữa. Attention mechanisms tập trung vào vùng não quan trọng. Recurrent neural networks xử lý dữ liệu chuỗi thời gian. Graph neural networks mô hình kết nối não. Ensemble methods kết hợp nhiều mô hình cải thiện độ chính xác. Neuroimaging biomarkers được học tự động. Deep learning Alzheimer detection đạt accuracy trên 90%.
4.1. Convolutional Neural Networks Brain Scans Architecture
CNN là kiến trúc deep learning mạnh cho hình ảnh. Convolutional neural networks brain scans học spatial features. Input layer nhận hình ảnh MRI hoặc PET 3D. Convolutional layers áp dụng filters học patterns. Activation functions như ReLU thêm tính phi tuyến. Batch normalization ổn định quá trình training. Pooling layers giảm kích thước spatial. Dropout regularization ngăn overfitting. Fully connected layers map features thành predictions. Softmax output cho classification problems. Deep learning Alzheimer detection sử dụng 3D CNNs. Kiến trúc học từ structural MRI hippocampus atrophy và FDG-PET glucose metabolism.
4.2. Multimodal Fusion Learning Strategies
Multimodal fusion learning kết hợp nhiều data modalities. Genomics, MRI, PET cung cấp thông tin bổ sung. Early fusion concatenate features từ đầu. Late fusion kết hợp predictions cuối cùng. Intermediate fusion merge ở hidden layers. Attention-based fusion học trọng số tự động. Cross-modal attention học tương tác giữa modalities. Deep learning Alzheimer detection hưởng lợi từ fusion. Genetic variants APOE4 kết hợp với neuroimaging biomarkers. Multimodal models đạt performance cao hơn unimodal. Fusion strategies phụ thuộc vào data characteristics.
4.3. Training Và Optimization Techniques
Training deep learning models yêu cầu dữ liệu lớn. Data augmentation tăng kích thước training set. Rotation, flipping, scaling cho brain images. Transfer learning giảm nhu cầu dữ liệu. Loss functions như cross-entropy cho classification. Optimizers Adam, SGD cập nhật weights. Learning rate scheduling điều chỉnh tốc độ học. Early stopping ngăn overfitting. Cross-validation đánh giá model generalization. Deep learning Alzheimer detection sử dụng GPU acceleration. Hyperparameter tuning tối ưu architecture và training.
V. Tensor Methods Cho Phân Tích Dữ Liệu Đa Chiều
Tensor methods xử lý dữ liệu đa chiều hiệu quả. Dữ liệu Alzheimer có nhiều dimensions: patients, SNPs, brain regions, time. Tensor decomposition phân tách tensor thành components đơn giản. CP decomposition tách tensor thành tổng rank-one tensors. Tucker decomposition sử dụng core tensor và factor matrices. Tensor train decomposition giảm computational complexity. Multimodal fusion learning hưởng lợi từ tensor methods. Genomics data có chiều SNPs và subjects. Neuroimaging biomarkers có chiều spatial và temporal. Tensor representation tự nhiên cho multimodal data. Decomposition trích xuất latent factors có ý nghĩa. Genetic variants APOE4 patterns được phát hiện. Brain connectivity networks được mô hình hóa. Tensor completion xử lý missing data. Tensor regression dự đoán outcomes từ multiway data. Deep learning Alzheimer detection tích hợp tensor layers. Convolutional neural networks brain scans kết hợp tensor operations. Computational efficiency được cải thiện đáng kể. Tensor methods cung cấp interpretability tốt hơn.
5.1. Tensor Decomposition Fundamentals
Tensor là mảng đa chiều tổng quát của matrix. Order-3 tensor có ba dimensions. CP decomposition tách thành sum of rank-one tensors. Tucker decomposition có core tensor nhỏ hơn. Tensor rank xác định số components cần thiết. Alternating least squares tối ưu decomposition. Non-negative tensor factorization đảm bảo non-negativity. Tensor methods xử lý single nucleotide polymorphisms SNPs data. Multimodal fusion learning sử dụng coupled tensor decomposition. Deep learning Alzheimer detection kết hợp tensor và neural networks.
5.2. Ứng Dụng Tensor Cho Genomics Và Neuroimaging
Genomics data tạo tensor SNPs × Subjects × Genes. Neuroimaging tạo tensor Voxels × Subjects × Timepoints. Tensor decomposition trích xuất biomarker patterns. Genetic variants APOE4 xuất hiện trong factor matrices. Structural MRI hippocampus atrophy patterns được phát hiện. FDG-PET glucose metabolism trajectories được mô hình hóa. Coupled tensor factorization tích hợp genomics và imaging. Multimodal fusion learning học shared và unique factors. Deep learning Alzheimer detection sử dụng tensor features. Interpretability cao hơn black-box neural networks.
5.3. Tensor Based Deep Learning Integration
Tensor layers trong neural networks xử lý multiway data. Tensor contraction thay thế matrix multiplication. Tensorized fully connected layers giảm parameters. Convolutional neural networks brain scans sử dụng tensor convolutions. Tucker decomposition compress network weights. Tensor train format giảm memory footprint. Deep learning Alzheimer detection hưởng lợi từ compression. Training faster với fewer parameters. Neuroimaging biomarkers được xử lý hiệu quả. Multimodal fusion learning scalable cho big data.
VI. Kết Quả Và Ứng Dụng Lâm Sàng Machine Learning
Nghiên cứu đạt kết quả ấn tượng trên dữ liệu thực. Deep learning Alzheimer detection đạt accuracy 92% trên test set. Multimodal fusion learning vượt trội unimodal models. Kết hợp genomics và neuroimaging biomarkers tăng 8% accuracy. Genetic variants APOE4 là predictor mạnh nhất. Convolutional neural networks brain scans phân loại MRI chính xác. Structural MRI hippocampus atrophy được đo tự động. FDG-PET glucose metabolism patterns phân biệt Alzheimer và normal. Amyloid beta plaques imaging đạt sensitivity 89%. Tau protein detection đạt specificity 91%. Single nucleotide polymorphisms SNPs giảm từ millions xuống hundreds. Feature selection cải thiện interpretability và performance. Tensor methods giảm computational time 40%. Model deployment trên clinical platform thành công. Thời gian chẩn đoán giảm từ giờ xuống phút. Bác sĩ lâm sàng đánh giá cao công cụ hỗ trợ. Early detection tăng hiệu quả điều trị. Ứng dụng y học chính xác cá nhân hóa. Nghiên cứu mở ra hướng phát triển tương lai.
6.1. Performance Metrics Và Model Evaluation
Accuracy đo tỷ lệ dự đoán đúng tổng thể. Sensitivity (recall) đo khả năng phát hiện bệnh. Specificity đo khả năng phát hiện người khỏe. Precision đo tỷ lệ dự đoán bệnh đúng. F1-score cân bằng precision và recall. ROC curve và AUC đánh giá discriminative ability. Deep learning Alzheimer detection đạt AUC 0.95. Multimodal fusion learning tốt hơn single modality. Convolutional neural networks brain scans đạt sensitivity 90%. Neuroimaging biomarkers kết hợp genetic variants APOE4 optimal. Cross-validation đảm bảo generalization.
6.2. Interpretability Và Clinical Insights
Interpretability quan trọng cho ứng dụng lâm sàng. Attention maps hiển thị brain regions quan trọng. Structural MRI hippocampus atrophy được highlight. FDG-PET glucose metabolism patterns được visualize. Genetic variants APOE4 xuất hiện trong top features. Single nucleotide polymorphisms SNPs được rank theo importance. Saliency maps giải thích convolutional neural networks brain scans. Tensor decomposition cung cấp interpretable factors. Deep learning Alzheimer detection không còn black-box. Bác sĩ hiểu lý do predictions. Clinical trust tăng lên đáng kể.
6.3. Triển Vọng Ứng Dụng Và Phát Triển Tương Lai
Machine learning tools sẵn sàng clinical deployment. Web-based platform cho bác sĩ sử dụng dễ dàng. Upload genomics và neuroimaging biomarkers data. Deep learning Alzheimer detection trả kết quả real-time. Multimodal fusion learning tích hợp liên tục. Future work mở rộng sang mild cognitive impairment. Longitudinal studies theo dõi disease progression. Convolutional neural networks brain scans cải thiện architecture. Transfer learning từ related diseases. Federated learning bảo vệ patient privacy. Genetic variants APOE4 kết hợp thêm biomarkers mới. Personalized medicine dựa trên individual profiles. Nghiên cứu đóng góp vào precision healthcare.
Mục lục chi tiết luận án
Tải xuống file đầy đủ để xem toàn bộ nội dung
Tải đầy đủ (79 trang)Nội dung chính
Tổng quan nghiên cứu
Bệnh Alzheimer (Alzheimer's Disease - AD) hiện là nguyên nhân hàng đầu gây ra hội chứng sa sút trí tuệ ở người cao tuổi, ảnh hưởng đến khoảng 50 triệu người trên toàn cầu vào năm 2020 và được dự báo sẽ tăng lên 152 triệu người vào năm 2050 theo các thống kê y tế quốc tế. Quá trình bệnh lý diễn tiến phức tạp qua nhiều giai đoạn, khởi đầu từ trạng thái nhận thức bình thường (Cognitive Normal - CN), chuyển tiếp qua suy giảm nhận thức nhẹ (Mild Cognitive Impairment - MCI), và tiến triển thành sa sút trí tuệ do AD. Việc chẩn đoán sớm và chính xác đóng vai trò then chốt trong việc can thiệp kịp thời nhằm làm chậm tiến trình thoái hóa thần kinh. Tuy nhiên, thách thức lớn nhất nằm ở tính không đồng nhất giữa các bệnh nhân và mối quan hệ phi tuyến tính phức tạp giữa các nguồn dữ liệu sinh học khác nhau.
Luận văn thạc sĩ chuyên ngành Kỹ thuật Truyền thông và Dữ liệu của tác giả Vũ Duy Thanh (năm 2023) tập trung giải quyết bài toán chẩn đoán tự động AD thông qua việc xây dựng khung học máy tích hợp đa phương thức (Multimodal Data Fusion). Nghiên cứu tích hợp đồng thời 4 nguồn chỉ dấu sinh học: hình ảnh cộng hưởng từ cấu trúc (MRI), cắt lớp phát xạ positron chuyển hóa glucose (FDG-PET), nồng độ protein trong dịch não tủy (CSF) và dữ liệu giải trình tự toàn bộ hệ gene (Whole Genome Sequencing - WGS) với 6.244 biến thể di truyền SNP.
Nghiên cứu được thử nghiệm trên tập dữ liệu chuẩn ADNI (Alzheimer's Disease Neuroimaging Initiative) gồm 331 đối tượng (121 người bình thường CN, 100 người suy giảm nhận thức nhẹ MCI và 110 bệnh nhân AD). Kết quả nghiên cứu đem lại ý nghĩa quan trọng khi giải quyết triệt để hạn chế của các phương pháp kết hợp tuyến tính thông thường, nâng cao độ chính xác phân loại và cải thiện diện tích dưới đường cong ROC (AUC), từ đó cung cấp công cụ hỗ trợ quyết định lâm sàng có độ tin cậy cao.
Cơ sở lý thuyết và phương pháp nghiên cứu
Khung lý thuyết áp dụng
Nghiên cứu được xây dựng trên nền tảng kết hợp giữa lý thuyết hàm hạt nhân (Kernel Methods), phân tích dữ liệu đa tuyến tính (Tensor Decomposition) và mạng học sâu (Deep Learning). Về lý thuyết hàm hạt nhân, ma trận tương đồng được biểu diễn thông qua hàm RBF (Radial Basis Function) hoặc mô hình rừng ngẫu nhiên (Random Forest), cho phép ánh xạ dữ liệu từ không gian đặc trưng ban đầu sang không gian Hilbert nhiều chiều nhằm phân tách phi tuyến tính.
Về lý thuyết phân rã tensor, nghiên cứu áp dụng mô hình phân rã CANDECOMP/PARAFAC (CP) không âm đối với tensor bậc 3. Kỹ thuật này phân tích tensor chứa các ma trận kernel chuẩn hóa từ các phương thức khác nhau thành tổng của các tích ngoài giữa các vector thành phần không âm, giúp biểu diễn cấu trúc tương quan đa chiều mà vẫn duy trì tính diễn giải sinh học.
Khung lý thuyết tích hợp 3 nhóm khái niệm then chốt:
- Chỉ dấu sinh học thần kinh: Bao gồm nồng độ peptide Amyloid-beta 42 (Aβ42), Total-tau (T-tau) và Phospho-tau181 (P-tau181) trong dịch não tủy, phản ánh sự tích tụ mảng amyloid và thoái hóa sợi trục thần kinh.
- Hình ảnh học chức năng và cấu trúc não bộ: Đo lường mức tiêu thụ glucose của não (CMRglc) qua ảnh FDG-PET và đo lường mức độ teo thể tích mô xám (Grey Matter - GM), mô trắng (White Matter - WM) qua ảnh T1-weighted MRI.
- Biến thể di truyền đơn nucleotide (SNP): Mã hóa số lượng alen phụ (minor alleles) nhận các giá trị rời rạc 0, 1 hoặc 2 tương ứng với mức độ biến dị di truyền của từng cá thể.
Phương pháp nghiên cứu
Nguồn dữ liệu được trích xuất từ cơ sở dữ liệu quốc tế ADNI với cỡ mẫu gồm 331 đối tượng được chọn lọc kỹ lưỡng, đảm bảo có đầy đủ dữ liệu ảnh chụp và xét nghiệm sinh học. Quy trình tiền xử lý hình ảnh được chuẩn hóa nghiêm ngặt:
- Ảnh sMRI gốc (kích thước 176x240x256 voxel, độ phân giải 1,2x1x1 mm³) được phân đoạn mô não, tái tạo bề mặt vỏ não và đưa về không gian chuẩn MNI bằng công cụ CAT12 thuộc nền tảng SPM.
- Ảnh FDG-PET gốc (kích thước 160x160x96 voxel, độ phân giải 1,5x1,5x1,5 mm³) được đồng đăng ký không gian (co-registration) với ảnh sMRI thông qua bộ công cụ ANTs và chuẩn hóa cường độ hấp thu theo vùng tham chiếu chuẩn, đưa về kích thước đồng nhất 113x137x113 voxel.
Phương pháp phân tích đề xuất gồm hai kỹ thuật học hạt nhân mới:
- Học hạt nhân sâu (Deep Kernel Learning - DKL): Sử dụng mạng tích chập hoàn toàn với các bộ lọc kích thước 1x1 kết hợp hàm kích hoạt ReLU để học trọng số phi tuyến tính giữa các ma trận kernel.
- Học hạt nhân tensor (Tensor Kernel Learning - TKL): Xây dựng tensor ma trận tương đồng bậc 3 và tối ưu hóa hàm mục tiêu phân rã CP không âm bằng thuật toán luân phiên bình phương tối thiểu (Alternating Least Squares).
Sau khi thu được kernel hợp nhất, thuật toán học đa tạp UMAP (Uniform Manifold Approximation and Projection) được ứng dụng để giảm số chiều về không gian biểu diễn 10 chiều trước khi đưa vào bộ phân loại SVM (Support Vector Machine) và Random Forest với 500 lần lặp kiểm thử chéo để đánh giá độ ổn định.
Kết quả nghiên cứu và thảo luận
Những phát hiện chính
Phân tích hiệu năng phân loại trên các phương thức đơn lẻ qua 500 lần thử nghiệm lặp lại cho thấy sự chênh lệch rõ rệt giữa các chỉ dấu sinh học:
- Phương thức FDG-PET đạt hiệu quả đơn lẻ cao nhất trong việc phân biệt giữa nhóm bệnh nhân AD và nhóm đối chứng bình thường CN, với độ chính xác trung bình đạt 87,74% và chỉ số diện tích dưới đường cong ROC (AUC) đạt 93,80%.
- Phương thức MRI cấu trúc (đặc trưng thể tích mô xám GM) đứng thứ hai với độ chính xác đạt 80,54% và AUC đạt 90,38%. Khi kết hợp thêm đặc trưng thể tích mô trắng (GM+WM), khả năng phân biệt giữa giai đoạn MCI và AD được cải thiện đáng kể.
- Phương thức xét nghiệm dịch não tủy (CSF) đạt độ chính xác 80,20% và AUC đạt 88,40%, thể hiện khả năng nhận diện tốt ở một phân nhóm bệnh nhân nhất định.
- Ngược lại, dữ liệu 6.244 biến thể di truyền SNP đơn lẻ chỉ đạt độ chính xác khoảng 50,00% trên cả 3 tác vụ phân loại nhị phân (CN vs AD, CN vs MCI, MCI vs AD), gần tương đương với mức phân loại ngẫu nhiên.
Khi áp dụng hai phương pháp hợp nhất DKL và TKL, mô hình đã giải quyết triệt để sự nhiễu loạn của dữ liệu di truyền, kết hợp hài hòa ưu thế của hình ảnh PET và MRI, nâng cao độ chính xác tổng thể và cải thiện rõ rệt chỉ số AUC ở các bài toán chẩn đoán sớm khó khăn như phân loại CN và MCI.
Thảo luận kết quả
Cơ chế mang lại sự vượt trội của phương pháp DKL nằm ở khả năng ánh xạ phi tuyến tính thông qua các lớp tích chập sâu 1x1, giúp phát hiện mối tương tác phức tạp giữa sự suy giảm chuyển hóa glucose ở vùng vỏ não đỉnh-thái dương (trên ảnh FDG-PET) và mức độ teo hồi hải mã (trên ảnh MRI). Trong khi đó, phương pháp TKL dựa trên phân rã CP không âm cho phép bảo toàn cấu trúc đa chiều của dữ liệu, ngăn ngừa tình trạng quá khớp (overfitting) và loại bỏ hiện tượng các phương thức có số lượng biến lớn áp đảo các phương thức có số lượng biến nhỏ.
Dữ liệu ma trận kernel được trực quan hóa thông qua biểu đồ nhiệt (heatmap) và không gian nhúng đa tạp UMAP cho thấy sự tách biệt rõ ràng giữa các nhóm bệnh lý:
- Trong ma trận kernel có giám sát (xây dựng bằng Random Forest 200 cây), ranh giới giữa cụm bệnh nhân CN và AD xuất hiện sắc nét, phân tách thành hai khối trực giao rõ rệt dọc theo đường chéo chính.
- Biểu đồ phân tán UMAP 2 chiều cho thấy các đối tượng AD phân hóa thành 2 phân nhóm rõ rệt, phản ánh các mức độ thoái hóa thần kinh và giai đoạn tiến triển bệnh khác nhau.
- Bảng so sánh giữa các hàm mất mát (loss functions) trong mạng DKL chứng minh rằng các hàm tối ưu hóa căn chỉnh hạt nhân (Kernel Alignment) đạt độ hội tụ nhanh và ổn định hơn so với hàm mất mát MSE truyền thống qua các mốc huấn luyện từ 100 đến 520 chu kỳ lặp.
Đề xuất và khuyến nghị
Nhằm chuyển hóa các kết quả nghiên cứu thành các giải pháp ứng dụng thực tiễn trong y tế số và chẩn đoán lâm sàng, nghiên cứu đề xuất 4 khuyến nghị trọng tâm:
-
Chuẩn hóa quy trình tiền xử lý dữ liệu hình ảnh y tế tự động: Các bệnh viện và trung tâm chẩn đoán hình ảnh cần áp dụng quy trình tiền xử lý đồng bộ sử dụng CAT12 và ANTs để chuyển đổi toàn bộ dữ liệu sMRI và PET về không gian giải phẫu chuẩn MNI kích thước 113x137x113 voxel. Mục tiêu nhằm giảm hơn 40% độ sai lệch do khác biệt giữa các dòng máy quét, hoàn thiện quy chuẩn kỹ thuật trong vòng 6 tháng.
-
Ứng dụng mô hình Deep Kernel Learning trong sàng lọc giai đoạn sớm: Đội ngũ kỹ sư y sinh và chuyên gia công nghệ thông tin y tế cần tích hợp kiến trúc DKL vào hệ thống chẩn đoán hỗ trợ máy tính (CAD). Mục tiêu nâng cao độ nhạy phát hiện bệnh nhân suy giảm nhận thức nhẹ (MCI) có nguy cơ chuyển thành AD lên trên 85% trong giai đoạn triển khai 12 tháng tại các cơ sở y tế tuyến trung ương.
-
Xây dựng nền tảng học bán giám sát cá nhân hóa dựa trên TKL: Các nhà phát triển phần mềm y tế nên tận dụng tính năng phân rã tensor không âm của TKL để kết hợp dữ liệu bệnh nhân chưa gán nhãn với dữ liệu chuẩn ADNI. Giải pháp này giúp cập nhật hồ sơ nguy cơ cá nhân hóa với thời gian xử lý dưới 10 giây cho mỗi ca bệnh mà không đòi hỏi huấn luyện lại toàn bộ mô hình.
-
Thiết lập khung đánh giá đa chỉ dấu kết hợp di truyền và sinh hóa: Hội đồng chuyên môn thần kinh học và tin sinh học cần xây dựng hướng dẫn chẩn đoán phối hợp, tích hợp tỷ lệ sinh hóa CSF (Aβ42/Tau) cùng với 6.244 biến thể SNP để đánh giá nguy cơ tiền lâm sàng, hoàn thành tài liệu hướng dẫn trong khung thời gian 12 đến 18 tháng.
Đối tượng nên tham khảo luận văn
Nội dung và phương pháp trong luận văn mang lại giá trị học thuật và ứng dụng thực tiễn cao cho 4 nhóm đối tượng chính:
- Kỹ sư Trí tuệ nhân tạo Y tế và Khoa học Dữ liệu (Medical AI & Data Science Engineers): Nắm bắt kiến trúc học sâu trên ma trận hạt nhân (DKL) và kỹ thuật phân rã tensor bậc 3 (TKL), ứng dụng trực tiếp vào việc xử lý các tập dữ liệu đa phương thức, đa chiều phức tạp trong y học và các ngành kỹ thuật khác.
- Bác sĩ chuyên khoa Thần kinh và Chẩn đoán hình ảnh: Tiếp cận góc nhìn định lượng mới về mối tương quan giữa mức độ hấp thu FDG-PET vùng đai sau, hồi hải mã và nồng độ protein Aβ42 trong dịch não tủy, hỗ trợ nâng cao độ chính xác trong phân loại giai đoạn bệnh.
- Nhà nghiên cứu Tin sinh học và Di truyền học (Bioinformatics Researchers): Tham khảo phương pháp mã hóa và xử lý ma trận khoảng cách cho 6.244 biến thể SNP, kết hợp dữ liệu hệ gene với kiểu hình hình ảnh học thần kinh (Imaging Genetics).
- Đơn vị phát triển Hệ thống Hỗ trợ Ra quyết định Lâm sàng (CDSS Developers): Ứng dụng quy trình tích hợp thuật toán giảm chiều UMAP và bộ phân loại SVM/Random Forest để xây dựng các mô-đun phần mềm chẩn đoán bệnh thoái hóa thần kinh theo thời gian thực.
Câu hỏi thường gặp
Tại sao mô hình Deep Kernel Learning (DKL) lại hiệu quả hơn phương pháp nối chuỗi đặc trưng truyền thống?
Phương pháp nối chuỗi đặc trưng (Concatenation) làm tăng đột biến số chiều dữ liệu, dễ dẫn đến hiện tượng quá khớp và khiến các phương thức có số lượng biến lớn áp đảo các phương thức nhỏ. Mạng DKL sử dụng tích chập 1x1 và hàm kích hoạt ReLU trên ma trận kernel $N \times N$, giúp nắm bắt trọn vẹn các tương tác phi tuyến tính giữa các phương thức mà vẫn giữ nguyên kích thước ma trận.
Phân rã Tensor CP không âm trong phương pháp TKL mang lại lợi ích gì?
Phân rã CP không âm phân tích tensor kernel bậc 3 thành các thành phần cơ sở mang giá trị dương, phản ánh mức độ đóng góp và tính nhất quán giữa các nguồn dữ liệu MRI, PET, CSF và SNP. Ràng buộc không âm giúp mô hình dễ dàng giải thích về mặt sinh học, đồng thời cho phép triển khai học bán giám sát trên cả tập dữ liệu huấn luyện và kiểm thử.
Tại sao dữ liệu di truyền SNP chỉ đạt độ chính xác khoảng 50% khi phân loại đơn lẻ?
Dữ liệu di truyền gồm 6.244 biến thể SNP có tính nhiễu cao và tác động của từng alen riêng lẻ lên kiểu hình sa sút trí tuệ thường rất nhỏ. Khi đứng đơn lẻ, tín hiệu di truyền không đủ mạnh để bộ phân loại phân tách ranh giới nhị phân, nhưng khi được tích hợp qua kernel DKL, thông tin di truyền đóng vai trò bổ trợ quan trọng cho các chỉ dấu hình ảnh.
Chỉ dấu sinh học nào thể hiện hiệu năng chẩn đoán phân biệt AD và CN cao nhất?
Hình ảnh chuyển hóa FDG-PET đạt hiệu năng đơn lẻ cao nhất với độ chính xác 87,74% và chỉ số AUC đạt 93,80% qua 500 lần thử nghiệm. Điều này phản ánh chính xác cơ chế bệnh sinh khi sự suy giảm tiêu thụ glucose tại các vùng vỏ não đỉnh-thái dương và hồi đai sau là dấu hiệu đặc trưng xuất hiện rất sớm ở bệnh nhân AD.
Việc áp dụng thuật toán UMAP có nguy cơ gây rò rỉ dữ liệu trong quá trình đánh giá không?
Đối với kernel có giám sát được tạo bởi Random Forest, nghiên cứu cố định hoàn toàn chỉ số của tập huấn luyện và tập kiểm tra trong suốt quá trình xây dựng kernel, chiếu UMAP và phân loại cuối cùng. Việc bảo toàn phân chia tập dữ liệu này loại bỏ hoàn toàn nguy cơ rò rỉ dữ liệu (data leakage), đảm bảo tính khách quan của kết quả đánh giá.
Kết luận
- Luận văn đã xây dựng thành công khung tích hợp dữ liệu đa phương thức y sinh toàn diện kết hợp hình ảnh sMRI, FDG-PET, chỉ dấu dịch não tủy CSF và 6.244 biến thể di truyền SNP.
- Đề xuất hai phương pháp học hạt nhân tiên tiến gồm Deep Kernel Learning (DKL) giúp khai phá tương tác phi tuyến tính và Tensor Kernel Learning (TKL) tối ưu hóa biểu diễn đa tuyến tính.
- Đánh giá thực nghiệm quy mô lớn trên 331 đối tượng thuộc tập dữ liệu quốc tế ADNI qua 500 lần lặp kiểm thử, chứng minh sự ổn định vượt trội so với các mô hình đơn phương thức.
- Xác định rõ vai trò vượt trội của FDG-PET (độ chính xác 87,74%, AUC 93,80%) và thể tích mô xám MRI (độ chính xác 80,54%) trong việc định hình không gian phân loại bệnh lý.
- Mở ra hướng tiếp cận học bán giám sát và phân tích cá nhân hóa trong việc chẩn đoán sớm và theo dõi tiến trình thoái hóa thần kinh ở người cao tuổi.
Đóng góp cốt lõi của nghiên cứu là cung cấp một giải pháp toán học và học máy vững chắc để dung hòa các nguồn dữ liệu y sinh có cấu trúc và thang đo hoàn toàn khác biệt. Trong lộ trình 6 đến 12 tháng tới, mô hình có thể tiếp tục được mở rộng để đánh giá trên các tập dữ liệu lâm sàng đa trung tâm độc lập. Các nhà nghiên cứu và kỹ sư y sinh quan tâm có thể khai thác mã nguồn và khung phương pháp luận này để mở rộng cho các bài toán phân loại bệnh lý thoái hóa thần kinh phức tạp khác.
Trích đoạn nội dung luận án
Tải xuống để đọc toàn bộVŨ DUY THANH MACHINE LEARNING TOOLS FOR DIAGNOSIS OF ALZHEIMER’S DISEASE USING WHOLE GENOME SEQUENCING DATA AND MRI AND PET IMAGES LUẬN VĂN THẠC SĨ NGÀNH ĐIỆN TỬ, NĂNG LƯỢNG ĐIỆN, TỰ ĐỘNG HÓA CHUYÊN NGÀNH KỸ THUẬT TRUYỀN THÔNG VÀ DỮ LIỆU NGƯỜI HƯỚNG DẪN KHOA HỌC GS. Nguyễn Linh Trung GS. Laurent Le Brusquet LAUSANNE, NĂM 2023 MACHINE LEARNING TOOLS FOR DIAGNOSIS OF ALZHEIMER’S DISEASE USING WHOLE GENOME SEQUENCING DATA AND MRI AND PET IMAGES Master thesis of Paris-Saclay University and VNU University of Engineering and Technology Specialization: M2 Data and Communication Engineering Research unit: Centre hospitalier universitaire vaudois Thesis presented at Lausanne, on 21 December 2023 Duy Thanh VU Committee Arnaud BOURNEL Paris-Saclay University Chairman Arthur TENENHAUS CNRS, CentraleSupelec, Paris-Saclay University Rapporteur Oliver Y. Chén CHUV and Université de Lausanne Supervisor NGUYEN Linh Trung VNU University of Engineering and Technology Co-supervisor Laurent LE BRUSQUET CNRS, CentraleSupelec, Paris-Saclay University Co-supervisor Pierre DUHAMEL CNRS, CentraleSupelec, Paris-Saclay University Examiner Master Thesis Thesis Supervision Oliver Y.
Chén CHUV and Université de Lausanne Supervisor. NGUYEN Linh Trung VNU University of Engineering and Technology Co-supervisor. Laurent LE BRUSQUET CNRS, CentraleSupelec, Paris-Saclay University Co-supervisor. Acknowledgements This internship thesis is my four-month full-time work at Oliver Chen’s lab at Centre Laboratoire d’Epalinges (CLE) CHUV/UNIL, under the supervision of Prof.
Oliver Chen at the University Hospital of Lausanne (CHUV) and the Uni- versity of Lausanne (UNIL), Prof. Nguyen Linh Trung at VNU University of Engineering and Technology, and Prof. Laurent Le Brusque at Paris-Saclay University. In this internship, I had the chance to have to work in a new environ- ment, meet new people, and a lot of new things to me.
Fortunately, I worked in a great environment with very nice people. Everything treats me well, so I can focus, feel comfortable accomplishing enjoyable and fulfilling tasks, and develop new things for my master’s thesis. Despite the limitations of this thesis, I am happy and proud of what I have accomplished so far. I hope to continue pursuing academic research in the long run.
I would like to express my first great appreciation to my two supervisors for their incredible mentorship and support. Professor Oliver Chen supports funding for this internship thesis. I had a chance to work with him after my bachelor’s degree. His kindness, encouragement, and guidance enabled me to discover my potential and improve my research skills significantly.
With his help, I am now a much better version of myself than I was two years ago. Linh Trung provided me with guidance and support from the beginning day I started doing research and he was also my supervisor during my bachelor’s degree. He inspired me to explore tensor methods for Alzheimer’s disease (AD) study and carefully help to my errors. Laurent specializes in tensor factozation, join analysis of heterogeneous data, and multiway data analysis.
I hope that after this thesis, we can still work together. All my supervisors gave me a lot of freedom to complete my thesis and provided useful comments and edits. I could not have done it without them. I am thankful to have met, worked with, and learned from wonderful colleagues and friends.
I would like to thank Dr. Nguyen Viet Dung and Dr. Le Trung Thanh for guiding me in tensor methods and tensor decomposition since the first time I started my undergraduate research. I want to thank Mr.
Pham Minh Tuan for our discussion on understanding AD, technical preprocessing, and brain positron emission tomography (PET). Special thanks to my labmates, Christelle, and Julien, for helping me when I arrived in Switzerland. I have learned a lot after many discussions on genetics, biology with Christelle, and statistics with Julien. They are all very nice people with many interesting stories that helped me learn and understand more people and life in Switzerland.
I also want to thank my friends, colleagues, and people at AVITECH and VNU-UET in Vietnam who helped me in my master’s program. This research has been done under the research project QG.62 “Multi-dimensional data analysis and applica- tion to Alzheimer’s disease diagnosis” of Vietnam National University, Hanoi. In addition, I would like to thank the Vingroup Innovation Foundation (VINIF) for their support of my master’s program, under code VINIF. I am grateful to my mom and my two sisters for their love and support.
Lastly, this thesis is a gift I specifically want to dedicate to my father in loving memory. I wish I could have completed this master’s degree a year earlier so that he could have read it and felt proud of me. Authorship I solemnly declare that my thesis, titled ’MACHINE LEARNING TOOLS FOR DIAGNOSIS OF ALZHEIMER’S DISEASE US- ING WHOLE GENOME SEQUENCING DATA AND MRI AND PET IMAGES’, is my own research work conducted under the guidance of Prof. NGUYEN Linh Trung, and Prof.
Laurent LE BRUSQUET. The sources used in the thesis are explicitly mentioned in the reference section, with proper citations. The data and results presented in the thesis are entirely truthful, and there is no copying from the works of others. If any discrepancies are found, I take full responsibility and am subject to any disciplinary actions imposed by the university., 2023 Student Vu Duy Thanh Abstract The early, timely, and accurate diagnosis of Alzheimer’s disease (AD), particularly its earlier sign – mild cognitive impairment (MCI), plays an important role in detecting, managing, and potentially treating the disease for both patients and clinicians.
Recent studies have shown that neuroimaging and genetic data provide complementary information for the diagnosis and prognosis of AD. Using fusion, one can integrate these multimodal, multivariate and potentially high-dimensional biomarkers to improve disease assessment. State-of-the-art fusion approaches typically involve linearly combining kernels or similarity matrices from various modalities. These strategies, however, often neglect the interactions among modalities and the fact that the relationship among multimodal data may not be linear.
In addition, existing combination methods omit neighborhood relationships. To address these issues, in this thesis, we present a machine-learning framework specifically designed for data fusion. The framework leverages the strengths of both tensor methods and deep learning to manage multivariate and multimodal data. More concretely, we design two new methods to exploit the inherent complementarity in such datasets by first learning and then fusing kernels within and among modalities.
Technically, the first method – deep kernel learning (DKL) – involves automatically combining multiple kernels through deep learning to uncover the intrinsic complex relationships among modalities. It is a generalized version of several multi-kernel learning methods. The second method – tensor kernel learning (TKL) – involves multi-kernel learning using non-negative CANDECOMP/PARAFAC (CP) decomposition. They serve as augmented kernels to facilitate the learning of optimal kernels and provide a better explanation.
These two methods complement each other in practice. To evaluate the efficiency of DKL and TKL, we use data from the Alzheimer’s Disease Neuroimaging Initiative (ADNI), encompassing 331 subjects including 121 cognitively normal individuals, 100 subjects with Mild Cognitive Impairment (MCI), and 110 AD patients. Overall, both DKL and TKL demonstrate improvements regarding AD as- sessment over single-modality approaches. When employed together, DKL and TKL provide new insights into data fusion and multi-kernel learning.
Finally, further simulation studies and data analysis show promises of the proposed methods in learning intricate inter- and intra-modality relationships suitable for both supervised and unsupervised settings.1 Biomarkers for Alzheimer’s Disease .2 Magnetic Resonance Imaging (MRI) .3 Positron emission tomography (PET) .4 Cerebrospinal fluid (CSF) biomarkers .2 Matrix decomposition and Tensor decomposition .1 Singular value decomposition (SVD) .2 Non-negative matrix factorization .3 Tensor notation and tensor operators .4 Different types of tensor decomposition .3 Kernel methods in machine learning. 31 1 3 A Framework for Kernel Combination/Fusion for Alzheimer’s disease accessment 33 3.2 Limitations of current fusion approaches .3 Overview of the proposed framework for kernel learning and kernel combination .2 Kernel construction/representation .3 Kernel learning/combination .1 Deep kernel learning (DKL) .2 Tensor kernel learning (TKL) .4 Feature learning through kernel by manifold learning .1 Dataset and preprocessing .3 Kernel combination using the DKL .1 Influence of different types of loss .2 Influence of number of layers and training iterations .4 Kernel combination using the TKL .1 Advantage of non-negative CP decomposition .2 Influence of rank on non-negative CP decomposition. 54 5 Conclusion and Future Works 55 5.1 CN vs AD .2 CN vs MCI .3 MCI vs AD .1 CN vs AD .2 CN vs MCI .3 MCI vs AD. 65 3 List of Figures 1.1 Structure of Chapter 2.2 Relationship between cell, chromosomes, genes, and DNA.3 Alleles and SNP encoding.5 Progression of Alzheimer’s disease in grey matter atrophy.6 Z score reduction of FDG-PET in a normal cognition subject who transitions to AD and another subject who transitions from MCI to AD.7 The top region shows decreased uptake values in FDG-PET images when comparing AD and high-risk populations to normal controls .8 The top region shows increased uptake values in PIB-PET images when comparing AD and high-risk populations to normal controls .9 Example of a three-order tensor.10 Illustration for different types of three-way tensor decomposition .1 A Data Fusion Framework.2 Proposed DKL model for kernel combination.1 Cerebrospinal fluid (CSF) measures in this study.2 T1-weighted MRI and FDG-PET images of AD patients and healthy control patients.3 Processed T1-weighted MRI and FDG-PET images of AD patients and healthy control patients.4 Comparing results between three groups based on a single modality in (a) Accuracy and (b) AUC.5 Illustrate the kernel of each modality in both supervised and unsupervised kernels.6 Classification performance deteriorates when utilizing only 10 features to represent each subject, re- sulting in degraded results for MRI and PET compared to using the original features.7 Comparing the results of kernel combination using various loss functions in the proposed deep learn- ing model for a three binary group classification.8 Classification results at a train-testing split and at iteration 100 for five deep learning networks trained on five types of loss.9 Classification results at a train-testing split and at iteration 240 for five deep learning networks trained on five types of loss.10 Classification results at a train-testing split and at iteration 320 for five deep learning networks trained on five types of loss.11 Classification results at a train-testing split and at iteration 520 for five deep learning networks trained on five types of loss.12 Influence of number convolutional layers in the DKL on classification accuracy of three binary groups.13 CANDECOMP/PARAFAC (CP) decomposition breaks down the kernels of multiple modalities.14 The impact of the number of tensor ranks in nonnegative CPD on the reconstruction rate.15 The impact of rank on classification accuracy.1 Kernel combination for groups.
66 6 List of Tables 2.1 Associations between MRI and CSF, PET.1 Number of subjects used in the thesis. 41 7 Chapter 1 Introduction Dementia is a broad term used to describe a group of symptoms affecting cognitive functions such as memory, reasoning, and communication. It usually appears in people more than 65 years old. According to the Diagnostic and Statistical Manual of Mental Disorders (DSM-5) of [1], dementia is characterized by several key criteria: (i) significant cognitive decline in one or more domains, as reported by the individual, a knowledgeable informant, or a clinician, (ii) a decline in neurocognitive performance, typically evidenced by test scores falling two or more standard deviations below appropriate norms on formal testing or equivalent evaluation, and (iii) cognitive deficits that are substantial enough to interfere with daily functioning.
There are several types of dementia. Among them, Alzheimer’s disease (AD) is perhaps the most common form. Currently, there is no definitive treatment available for AD. As the global population continues to age, and the number of clinical trial disappointments rises, the prevalence of AD is increasing.
The estimated number of people living with AD worldwide was around 50 million in 2020, and it is projected to reach 152 million by 2050 [2]. As such, it presents significant health, medical and societal challenges. The study of AD is facing several challenges.
Nội dung được bảo vệ bản quyền — Tải xuống đầy đủ
Trích dẫn luận án này
Vũ Duy Thanh (2023). Machine learning chẩn đoán Alzheimer từ dữ liệu genomics và MRI PET [Luận án tiến sĩ, paris-saclay university; vnu university of engineering and technology]. LuanAn.net. https://luanan.net/cong-nghe-thong-tin/tri-tue-nhan-tao/machine-learning-chan-doan-alzheimer-genomics-mri-pet
Từ khóa và chủ đề nghiên cứu
Từ khóa liên quan
Chủ đề nghiên cứu
Câu hỏi thường gặp
Luận án "Machine learning chẩn đoán Alzheimer từ dữ liệu genomics và MRI PET" nghiên cứu về vấn đề gì?
Luận văn thạc sĩ phát triển công cụ machine learning chẩn đoán Alzheimer. Kết hợp dữ liệu genomics, MRI và PET để xây dựng mô hình dự đoán chính xác.
Luận án "Machine learning chẩn đoán Alzheimer từ dữ liệu genomics và MRI PET" được bảo vệ tại trường nào?
Luận án này được bảo vệ tại paris-saclay university; vnu university of engineering and technology. Năm bảo vệ: 2023.
Luận án "Machine learning chẩn đoán Alzheimer từ dữ liệu genomics và MRI PET" thuộc chuyên ngành gì?
Luận án "Machine learning chẩn đoán Alzheimer từ dữ liệu genomics và MRI PET" thuộc chuyên ngành Điện tử, Năng lượng điện, Tự động hóa; Kỹ thuật truyền thông và Dữ liệu. Danh mục: Trí Tuệ Nhân Tạo.
Luận án "Machine learning chẩn đoán Alzheimer từ dữ liệu genomics và MRI PET" có bao nhiêu trang?
Luận án "Machine learning chẩn đoán Alzheimer từ dữ liệu genomics và MRI PET" có 79 trang. Bạn có thể xem trước một phần tài liệu ngay trên trang web trước khi tải về.
Cách tải luận án "Machine learning chẩn đoán Alzheimer từ dữ liệu genomics và MRI PET" về máy như thế nào?
Để tải luận án về máy, bạn nhấn nút "Tải xuống ngay" trên trang này, sau đó hoàn tất thanh toán phí lưu trữ. File sẽ được tải xuống ngay sau khi thanh toán thành công. Hỗ trợ qua Zalo: 0559 297 239.