Tổng quan về luận án

Luận án này tiên phong giải quyết những thách thức cố hữu trong phân lớp dữ liệu biểu hiện gen – một lĩnh vực trọng yếu trong chẩn đoán và điều trị ung thư. Bối cảnh khoa học hiện đại nhấn mạnh sự cần thiết của các công cụ chẩn đoán chính xác hơn để đối phó với ung thư, nguyên nhân hàng đầu gây tử vong trên toàn thế giới, với 18,1 triệu bệnh nhân mới và 9,6 triệu ca tử vong được thống kê vào năm 2018 theo WHO [2]. Các phương pháp điều trị cá nhân hóa, hay y học cá thể, đang nổi lên như một hướng tiếp cận hiệu quả, đòi hỏi phân tích chuyên sâu hồ sơ di truyền của từng bệnh nhân [7, 8].

Research gap cụ thể mà luận án này giải quyết bắt nguồn từ đặc thù của dữ liệu biểu hiện gen: "số chiều rất lớn và số lượng mẫu nhỏ" [Tóm tắt]. Đây là nguyên nhân chính dẫn đến hiện tượng quá khớp (overfitting) trong các mô hình học máy hiện có, làm giảm độ chính xác phân lớp trên tập kiểm thử [25]. Bellman đã gọi hiện tượng này là "curse of dimensionality" khi số chiều dữ liệu tăng theo cấp số nhân [26]. Các phương pháp giảm chiều truyền thống như PCA, ICA, PLS, LLE [37, 33] thường chỉ nắm bắt được các mối quan hệ tuyến tính, bỏ lỡ "các mối quan hệ phi tuyến tiềm ẩn bên trong các tập dữ liệu có số chiều cao và các đặc trưng có mối quan hệ phụ thuộc" [38, 39, 40, 41, 42]. Đồng thời, vấn đề "small-sample-size" do chi phí thí nghiệm cao [43] cũng là một hạn chế nghiêm trọng, khiến các phương pháp tăng cường dữ liệu chưa được ứng dụng rộng rãi trong lĩnh vực này [48]. Luận án đặt mục tiêu khắc phục những hạn chế này, đặc biệt trong bối cảnh các nghiên cứu như MAQC II [84] đã chỉ ra tầm quan trọng của việc nâng cao hiệu quả phân lớp trong chẩn đoán ung thư.

Nghiên cứu được định hướng bởi các câu hỏi nghiên cứu và giả thuyết sau:

  1. RQ1: Làm thế nào để rút trích hiệu quả các đặc trưng tiềm ẩn từ dữ liệu biểu hiện gen có số chiều cao nhằm cải thiện độ chính xác phân lớp và hạn chế quá khớp?
    • H1.1: Mô hình mạng nơ-ron tích chập sâu (DCNN) có thể rút trích các đặc trưng mới có tính phân loại tốt hơn và số chiều thấp hơn so với đặc trưng gốc, từ đó cải thiện độ chính xác phân lớp của các giải thuật học máy truyền thống.
  2. RQ2: Làm thế nào để giải quyết đồng thời vấn đề số chiều cao và số mẫu nhỏ trong phân lớp dữ liệu biểu hiện gen?
    • H2.1: Việc kết hợp kỹ thuật tăng cường dữ liệu SMOTE trên các đặc trưng được rút trích bằng DCNN sẽ cải thiện đáng kể độ chính xác phân lớp so với việc chỉ sử dụng DCNN hoặc SMOTE riêng lẻ.
    • H2.2: Mô hình mạng đối kháng sinh mẫu (GAN) có thể sinh dữ liệu tổng hợp chất lượng cao, có phân phối gần giống dữ liệu gốc, giúp tăng cường tập huấn luyện và nâng cao độ chính xác phân lớp khi số mẫu nhỏ.
  3. RQ3: Có thể phát triển một mô hình phân lớp tập hợp mới, hiệu quả hơn các giải thuật hiện tại, đặc biệt trên dữ liệu biểu hiện gen có số chiều gốc lớn, và có khả năng cải thiện khi kết hợp với các kỹ thuật rút trích đặc trưng hoặc tăng cường dữ liệu?
    • H3.1: Mô hình tập hợp các cây xiên phân ngẫu nhiên đơn giản (RODS) dựa trên siêu phẳng tối ưu của máy học véc-tơ hỗ trợ (SVM), áp dụng tiếp cận Bagging và Boosting (Bag-RODS, Boost-RODS), sẽ đạt độ chính xác phân lớp cao hơn so với các giải thuật cơ bản (kNN, C4.5, SVM, RF) khi phân lớp trực tiếp trên số chiều gốc.
    • H3.2: Các mô hình Bag-RODS và Boost-RODS sẽ tiếp tục cải thiện độ chính xác phân lớp khi được kết hợp với các đặc trưng rút trích bằng DCNN hoặc dữ liệu được tăng cường bằng GAN.

Khung lý thuyết của luận án được xây dựng dựa trên sự giao thoa của Học máy (Machine Learning) và Tin sinh học (Bioinformatics). Các lý thuyết chính được vận dụng bao gồm lý thuyết học thống kê (Statistical Learning Theory) của Vapnik [52] làm nền tảng cho SVM, lý thuyết mạng nơ-ron sâu (Deep Neural Networks), đặc biệt là mạng nơ-ron tích chập (Convolutional Neural Networks) cho rút trích đặc trưng [9], và lý thuyết mạng đối kháng sinh mẫu (Generative Adversarial Networks) của Goodfellow et al. [61] cho tăng cường dữ liệu. Hơn nữa, các nguyên lý của học tập hợp (Ensemble Learning), với các phương pháp Bagging [63] và Boosting [64] do Breiman, Freund và Schapire đề xuất, được tích hợp để phát triển mô hình RODS.

Các đóng góp đột phá của luận án mang lại tác động định lượng rõ rệt. Thứ nhất, việc sử dụng DCNN để rút trích đặc trưng đã cải thiện độ chính xác phân lớp trên cả dữ liệu DNA Microarray và RNA-Seq, với các bộ phân loại như SVM, LSVM và kNN cho thấy hiệu suất nâng cao đáng kể. Ví dụ, kết quả thực nghiệm cho thấy "độ chính xác của các bộ phân loại được cải thiện khi dùng DCNN rút trích đặc trưng từ dữ liệu biểu hiện gen" [Tóm tắt]. Thứ hai, mô hình GAN được đề xuất đã thành công trong việc tạo dữ liệu tổng hợp, cải thiện "độ chính xác của các giải thuật gồm k láng giềng, cây quyết định, máy học véc-tơ hỗ trợ và rừng ngẫu nhiên" [Tóm tắt], đặc biệt hiệu quả trên các tập dữ liệu có số mẫu nhỏ (<130 mẫu). Thứ ba, mô hình tập hợp cây xiên phân ngẫu nhiên đơn giản (RODS) đã chứng minh "hiệu quả hơn các giải thuật khác gồm k láng giềng, cây quyết định, máy học véc-tơ hỗ trợ, rừng ngẫu nhiên, bagging và adaboost khi phân lớp trực tiếp trên số chiều gốc" [Tóm tắt]. Đồng thời, nó cũng cải thiện độ chính xác khi kết hợp với GAN và DCNN. Những đóng góp này giúp nâng cao độ chính xác chẩn đoán bệnh ung thư, một yếu tố then chốt để "tăng khả năng điều trị thành công và giảm nguy cơ tử vong do ung thư gây ra" [Đánh giá mô hình].

Phạm vi nghiên cứu bao gồm việc thực nghiệm trên bộ dữ liệu phong phú, tổng cộng 50 tập dữ liệu biểu hiện gen DNA Microarray, 20 tập dữ liệu DNA Microarray với số mẫu rất nhỏ (dưới 130), 25 tập dữ liệu RNA-Seq với 2 lớp, và một tập dữ liệu RNA-Seq lớn tổng hợp từ 36 loại ung thư khác nhau, bao gồm 12181 mẫu và 20531 chiều gen. Các tập dữ liệu này được thu thập từ các kho dữ liệu uy tín như Kent Ridge [30], Array Expression [31] và TCGA [32], đảm bảo tính đa dạng về loại thí nghiệm, loại bệnh, số lớp, số chiều và số mẫu. Khung thời gian nghiên cứu bao gồm các công bố gần đây (sau năm 2012) để đảm bảo tính cập nhật và tiên tiến của dữ liệu. Ý nghĩa của nghiên cứu nằm ở việc cung cấp các mô hình học máy mạnh mẽ, khả năng tổng quát hóa cao, giúp tự động chẩn đoán bệnh ung thư một cách chính xác, giảm thiểu sự phụ thuộc vào kiến thức y sinh chuyên sâu trong phân tích dữ liệu [23].

Literature Review và Positioning

Đánh giá tài liệu liên quan cho thấy các mô hình phân lớp dữ liệu biểu hiện gen đã được nghiên cứu rộng rãi, tập trung vào ba hướng chính: rút trích đặc trưng, tăng cường dữ liệu và phát triển giải thuật phân lớp trực tiếp. Các dòng nghiên cứu chính bao gồm các mô hình kNN [49], cây quyết định (C4.5) [50, 51], máy học véc-tơ hỗ trợ (SVM) [52], và các phương pháp tập hợp mô hình như rừng ngẫu nhiên (RF) [53], Bagging [63], và Boosting (Adaboost) [64].

Synthesis các dòng nghiên cứu lớn cho thấy, SVM của Vapnik [52] thường được coi là một công cụ mạnh mẽ nhờ khả năng chịu nhiễu và phân lớp tốt trên dữ liệu chiều cao, thường vượt trội hơn các phương pháp khác khi phân lớp trực tiếp trên số chiều gốc hoặc sau khi giảm chiều [21, 103]. Các nghiên cứu của Isabelle Guyon et al. [18] đã chứng minh SVM đạt độ chính xác 98% trên dữ liệu ung thư đại tràng, vượt trội so với phương pháp của Golub et al. [12] (96%) với số lượng gen ít hơn, đồng thời chứng minh các gen được lựa chọn bằng SVM hiệu quả hơn trong phân lớp ung thư. Rừng ngẫu nhiên của Breiman [53] cũng cho thấy hiệu quả cao, đặc biệt trên dữ liệu y sinh với số chiều cực lớn, cạnh tranh với Bagging và kNN [103, 21, 120, 121, 122]. Ngược lại, kNN [49] và cây quyết định [50, 51] thường không có lợi thế khi phân lớp trực tiếp trên số chiều gốc do đặc thù "curse of dimensionality" [26], và thường cần kết hợp với các kỹ thuật giảm chiều hoặc chọn gen để đạt hiệu suất tốt [86, 87, 12, 19, 93].

Tuy nhiên, tồn tại những contradictions và debates đáng kể. Mặc dù các mô hình như SVM và RF đạt độ chính xác cao, chúng thường khó diễn giải kết quả [104], tạo ra một cuộc tranh luận giữa hiệu suất và khả năng giải thích (interpretability). Ví dụ, trong khi các mô hình cây quyết định đơn giản dễ diễn giải hơn, chúng thường kém chính xác hơn trên dữ liệu biểu hiện gen so với SVM và RF [96]. Một điểm tranh cãi khác là sự phụ thuộc vào các kỹ thuật giảm chiều. Nhiều nghiên cứu sử dụng chọn gen (feature selection) để xác định các gen quan trọng [15, 34, 12, 35], nhưng điều này có thể làm mất thông tin của một số gen [33] và kết quả rất nhạy cảm với kỹ thuật chọn đặc trưng và kiến thức y sinh của người phân tích [36]. Hơn nữa, các phương pháp rút trích đặc trưng truyền thống như PCA, ICA, PLS [37, 33] chỉ hiệu quả với các mối quan hệ tuyến tính, trong khi dữ liệu biểu hiện gen có thể chứa các mối quan hệ phi tuyến phức tạp [38, 39, 40, 41, 42].

Luận án này positioning chính nó bằng cách trực tiếp giải quyết những khoảng trống này. Cụ thể, nó đề xuất các mô hình học sâu tiên tiến (DCNN, GAN) để khắc phục hạn chế của các phương pháp rút trích đặc trưng tuyến tính và giải quyết vấn đề số mẫu nhỏ, vốn chưa được khai thác triệt để trong lĩnh vực biểu hiện gen [48]. Nó cũng giới thiệu một mô hình tập hợp mới (RODS) với khả năng phân lớp hiệu quả trên số chiều gốc, đồng thời có thể kết hợp linh hoạt với các kỹ thuật học sâu để tăng cường hiệu suất. Bằng cách tích hợp sâu các phương pháp học sâu và học tập hợp, luận án này tiến xa hơn các nghiên cứu trước đây vốn chủ yếu tập trung vào các giải thuật truyền thống hoặc các kỹ thuật học sâu riêng lẻ, không giải quyết đồng thời các thách thức của "large p, small n".

So sánh với ít nhất 2 international studies: Nghiên cứu của Isabelle Guyon et al. (2002) [18] đã sử dụng SVM để giảm chiều và phân lớp dữ liệu biểu hiện gen ung thư đại tràng, đạt độ chính xác 98%. Luận án này mở rộng phương pháp giảm chiều bằng cách sử dụng DCNN, một kỹ thuật học sâu tiên tiến hơn, có khả năng rút trích các đặc trưng phi tuyến tính phức tạp mà SVM-RFE (Recursive Feature Elimination) có thể bỏ qua. Trong khi Guyon et al. tập trung vào chọn gen để tăng khả năng diễn giải, luận án này nhấn mạnh việc rút trích đặc trưng sâu để tối ưu hóa hiệu suất dự đoán, đồng thời tích hợp SMOTE để giải quyết vấn đề mất cân bằng dữ liệu, một khía cạnh không được đề cập trong nghiên cứu của Guyon.

Thêm vào đó, dự án MicroArray Quality Control (MAQC II) [84] là một nghiên cứu quốc tế lớn nhằm đánh giá các tác nhân ảnh hưởng đến hiệu quả phân lớp bệnh ung thư ở người bằng dữ liệu biểu hiện gen, khuyến nghị sử dụng các giao thức đánh giá chéo và độ chính xác tổng thể. Luận án này tuân thủ nghiêm ngặt các khuyến nghị của MAQC II bằng cách sử dụng các giao thức Leave-One-Out (LOO) và 10-fold cross-validation tùy thuộc vào số mẫu, đồng thời mở rộng phạm vi đánh giá bằng cách thử nghiệm trên một bộ dữ liệu lớn và đa dạng hơn (50 DNA Microarray, 25 RNA-Seq, 1 tập dữ liệu RNA-Seq lớn gồm 36 loại ung thư với 12181 mẫu) so với các nghiên cứu đơn lẻ. Điều này không chỉ xác nhận tính đúng đắn của phương pháp mà còn cung cấp bằng chứng về khả năng tổng quát hóa của các mô hình đề xuất trên một phổ rộng các bệnh ung thư và nền tảng công nghệ biểu hiện gen (DNA Microarray và RNA-Seq). Luận án cũng vượt qua các giới hạn của nhiều nghiên cứu hiện có bằng cách không chỉ cải thiện độ chính xác mà còn giải quyết đồng thời cả hai thách thức về "số chiều rất lớn" và "số lượng mẫu nhỏ" mà các nghiên cứu trước thường chỉ giải quyết một phần.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án này mở rộng và thách thức một số lý thuyết học máy và tin sinh học hiện có. Cụ thể:

  1. Mở rộng lý thuyết rút trích đặc trưng: Các phương pháp rút trích đặc trưng truyền thống như PCA, ICA, PLS của Bellman và các học giả khác [37, 33] chỉ tập trung vào các mối quan hệ tuyến tính. Luận án này mở rộng lý thuyết này bằng cách chứng minh rằng mạng nơ-ron tích chập sâu (DCNN), một mô hình học sâu, có khả năng "rút trích các mối quan hệ phi tuyến tiềm ẩn bên trong các tập dữ liệu có số chiều cao và các đặc trưng có mối quan hệ phụ thuộc" [38, 39, 40, 41, 42] từ dữ liệu biểu hiện gen. Điều này thách thức quan điểm rằng các đặc trưng của dữ liệu biểu hiện gen chỉ có thể được mô tả hiệu quả bằng các phép biến đổi tuyến tính hoặc các kỹ thuật chọn gen đơn giản. Kết quả thực nghiệm trên 50 tập dữ liệu DNA Microarray và 25 tập dữ liệu RNA-Seq cho thấy DCNN cải thiện độ chính xác phân lớp của SVM, LSVM, và kNN, cung cấp bằng chứng thực nghiệm cho việc mở rộng này.
  2. Mở rộng lý thuyết tăng cường dữ liệu: Lý thuyết tăng cường dữ liệu (data augmentation) đã phát triển mạnh trong các lĩnh vực như thị giác máy tính [45, 46] nhưng còn hạn chế trong phân lớp dữ liệu biểu hiện gen [48]. Luận án mở rộng lý thuyết này bằng cách đề xuất mô hình mạng đối kháng sinh mẫu (GAN) của Goodfellow et al. [61] được tùy chỉnh để sinh dữ liệu tổng hợp từ dữ liệu biểu hiện gen. Điều này chứng minh rằng các kỹ thuật học sâu sinh mẫu có thể tạo ra dữ liệu tổng hợp chất lượng cao, giúp giải quyết vấn đề "số mẫu nhỏ" và cải thiện đáng kể hiệu suất của các giải thuật phân lớp truyền thống như kNN, cây quyết định, SVM, và RF, đặc biệt trên 20 tập dữ liệu biểu hiện gen DNA Microarray có số mẫu rất nhỏ.
  3. Thách thức và mở rộng lý thuyết học tập hợp: Các phương pháp học tập hợp như Bagging của Breiman [63] và Boosting của Freund và Schapire [64] đã được chứng minh hiệu quả. Tuy nhiên, luận án này thách thức các mô hình cơ sở (base learners) truyền thống thường được sử dụng trong các tập hợp này (như cây quyết định đơn) bằng cách đề xuất một mô hình cơ sở mới: cây xiên phân ngẫu nhiên đơn giản (RODS) dựa trên "siêu phẳng tối ưu thu được từ huấn luyện SVM" [Các đóng góp của luận án - Thứ ba]. Điều này mở rộng lý thuyết học tập hợp bằng cách tích hợp sức mạnh của SVM vào các mô hình cây quyết định đơn giản, tạo ra các bộ phân loại Bag-RODS và Boost-RODS mạnh mẽ hơn, đạt độ chính xác cao hơn SVM, RF, kNN, C4.5, Bagging, và Adaboost khi phân lớp trực tiếp trên số chiều gốc.

Khung phân tích độc đáo được đề xuất trong luận án tích hợp chặt chẽ ba hướng tiếp cận cốt lõi: rút trích đặc trưng sâu (DCNN), tăng cường dữ liệu sinh mẫu (GAN), và học tập hợp tiên tiến (RODS).

Khung phân tích độc đáo

  1. Integration của Theories: Khung phân tích độc đáo của luận án tích hợp một cách có hệ thống các lý thuyết chính:
    • Lý thuyết học sâu (Deep Learning): Cụ thể là kiến trúc DCNN được sử dụng để học các đặc trưng cấp cao và phi tuyến tính từ dữ liệu biểu hiện gen thô. Kiến trúc này được thiết kế để xử lý các ma trận biểu hiện gen, chuyển đổi chúng thành các bản đồ đặc trưng (feature maps) thông qua các lớp tích chập (convolutional layers) và gộp (pooling layers), như minh họa trong Hình 3.1 và 3.2.
    • Lý thuyết mạng đối kháng sinh mẫu (Generative Adversarial Networks): Mô hình GAN của Goodfellow et al. [61] được điều chỉnh để sinh ra dữ liệu biểu hiện gen tổng hợp, giải quyết vấn đề số lượng mẫu nhỏ. Cấu trúc GAN bao gồm một bộ sinh (generator) và một bộ phân biệt (discriminator) cạnh tranh với nhau để tạo ra dữ liệu mới có phân phối tương tự dữ liệu thật, như mô tả trong Hình 5.1 và 5.2.
    • Lý thuyết học tập hợp (Ensemble Learning) và SVM: Lý thuyết về siêu phẳng tối ưu của SVM (Vapnik [52]) được sử dụng làm nền tảng cho việc xây dựng các cây xiên phân ngẫu nhiên đơn giản (RODS). RODS tích hợp khả năng tìm siêu phẳng tối ưu vào một mô hình cây quyết định đơn giản, sau đó được tập hợp bằng Bagging (Breiman [63]) và Boosting (Freund & Schapire [64]) để tạo ra các mô hình Bag-RODS và Boost-RODS mạnh mẽ.
  2. Novel Analytical Approach với Justification: Luận án đề xuất một cách tiếp cận phân tích mới bằng cách không chỉ sử dụng riêng lẻ các kỹ thuật học sâu hoặc học tập hợp mà còn kết hợp chúng một cách chiến lược. Chẳng hạn, việc kết hợp DCNN với SMOTE (DCNN-SMOTE) giải quyết đồng thời cả số chiều cao và số mẫu nhỏ, một vấn đề mà các nghiên cứu trước đây thường giải quyết riêng rẽ. Tương tự, việc kiểm tra hiệu suất của RODS khi phân lớp các đặc trưng được rút trích bằng DCNN (DCNN-Bag-RODS, DCNN-Boost-RODS) và dữ liệu được tăng cường bằng GAN (GAN-Bag-RODS, GAN-Boost-RODS) thể hiện một cách tiếp cận tích hợp toàn diện. Phương pháp này được chứng minh là hiệu quả hơn trong việc đạt được độ chính xác phân lớp cao hơn so với các phương pháp đơn lẻ hoặc các kết hợp khác.
  3. Conceptual Contributions với Definitions:
    • DCNN cho rút trích đặc trưng biểu hiện gen: Luận án định nghĩa và xây dựng một kiến trúc DCNN cụ thể để chuyển đổi ma trận biểu hiện gen thành các đặc trưng tiềm ẩn cấp cao.
    • GAN cho tăng cường dữ liệu biểu hiện gen: Định nghĩa một khuôn khổ GAN được tối ưu hóa cho cấu trúc và phân phối của dữ liệu biểu hiện gen để sinh mẫu tổng hợp, thay vì chỉ áp dụng GAN một cách chung chung.
    • Random Ensemble Oblique Decision Stumps (RODS): Là một đóng góp khái niệm mới, kết hợp ý tưởng của cây xiên phân (oblique decision trees) với siêu phẳng tối ưu của SVM, được tập hợp một cách ngẫu nhiên.
  4. Boundary Conditions Explicitly Stated: Các mô hình được đề xuất chủ yếu tập trung vào dữ liệu biểu hiện gen của bệnh ung thư ở người. Mặc dù các mô hình có khả năng tổng quát hóa cho các loại dữ liệu "large p, small n" khác, luận án tập trung vào ngữ cảnh cụ thể này. Các giới hạn về số mẫu nhỏ (<300) thường yêu cầu các giao thức đánh giá như Leave-One-Out (LOO), trong khi các tập lớn hơn sử dụng 10-fold cross-validation. Điều này thể hiện sự nhận thức về các điều kiện giới hạn của dữ liệu và phương pháp đánh giá phù hợp.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Thiết kế nghiên cứu của luận án này tuân thủ triết lý nghiên cứu Positivism (thực chứng). Luận án nhấn mạnh vào việc kiểm tra các giả thuyết bằng thực nghiệm, đo lường định lượng độ chính xác phân lớp, và sử dụng các kiểm định thống kê để đánh giá hiệu quả của các mô hình đề xuất. Mục tiêu là đạt được sự hiểu biết khách quan và có thể tổng quát hóa về các phương pháp xử lý dữ liệu biểu hiện gen. "Độ chính xác tổng thể được dùng để đánh giá mô hình. Cách đánh giá này tính tỉ lệ giữa số điểm được dự đoán đúng và tổng số điểm trong tập dữ liệu kiểm thử." [Đánh giá mô hình] và "độ tin cậy được chấp nhận ở mức p-value nhỏ hơn 0,05" [Đánh giá mô hình] là những minh chứng rõ ràng cho cách tiếp cận này.

Luận án sử dụng một phương pháp kết hợp các kỹ thuật học máy tiên tiến, không phải mixed methods theo nghĩa xã hội học nhưng là một sự kết hợp mạnh mẽ của các paradigm tính toán:

  • Học sâu (Deep Learning): Áp dụng DCNN cho rút trích đặc trưng và GAN cho tăng cường dữ liệu.
  • Học tập hợp (Ensemble Learning): Phát triển mô hình RODS kết hợp các nguyên lý của Bagging và Boosting.
  • Học có giám sát truyền thống (Traditional Supervised Learning): Sử dụng kNN, C4.5, SVM, và RF làm các bộ phân loại cơ sở và để so sánh hiệu quả.

Thiết kế này cho phép khai thác ưu điểm của từng phương pháp: khả năng học đặc trưng phi tuyến của học sâu, khả năng cải thiện độ ổn định và chính xác của học tập hợp, và tính hiệu quả của các giải thuật truyền thống.

Thiết kế này cũng có thể được xem xét dưới góc độ Multi-level design trong ngữ cảnh của dữ liệu gen. Mặc dù không phải multi-level modeling trong thống kê truyền thống, nghiên cứu xử lý dữ liệu ở nhiều cấp độ trừu tượng khác nhau:

  1. Cấp độ gen nguyên thủy (raw gene expression): Các mô hình như RODS được huấn luyện trực tiếp trên số chiều gốc.
  2. Cấp độ đặc trưng rút trích (extracted features): Dữ liệu được xử lý qua DCNN để tạo ra các đặc trưng tiềm ẩn, sau đó các mô hình phân lớp được áp dụng.
  3. Cấp độ dữ liệu tăng cường (augmented data): Dữ liệu tổng hợp từ GAN hoặc SMOTE được sử dụng để mở rộng tập huấn luyện.

Mỗi cấp độ này đại diện cho một lớp thông tin khác nhau được khai thác để tối ưu hóa hiệu suất phân lớp.

Sample Size và Selection Criteria EXACT: Luận án sử dụng một tập hợp dữ liệu thực nghiệm lớn và đa dạng để đảm bảo tính tổng quát của các mô hình:

  • 50 tập dữ liệu biểu hiện gen DNA Microarray: Số mẫu từ 31 đến 677, số chiều từ 2000 đến 54675, số lớp từ 2 đến 16. (Bảng 2.1)
  • 20 tập dữ liệu biểu hiện gen DNA Microarray (cho mô hình tăng cường dữ liệu): Số mẫu rất nhỏ, từ 47 đến 130, số chiều từ 2000 đến 54675, số lớp từ 2 đến 14. (Bảng 2.2)
  • 25 tập dữ liệu biểu hiện gen RNA-Seq có 2 lớp: Số mẫu từ 66 đến 1100, số chiều là 20531. (Bảng 2.3)
  • 1 tập dữ liệu biểu hiện gen RNA-Seq lớn: Bao gồm 36 loại ung thư khác nhau, tổng số 12181 mẫu (gồm 826 mẫu Normal), số chiều là 20531. (Bảng 2.4)

Tiêu chí lựa chọn mẫu là các tập dữ liệu biểu hiện gen ung thư ở người, được công bố rộng rãi và miễn phí trên các kho dữ liệu uy tín (Kent Ridge [30], Array Expression [31], TCGA [32]). Các tập dữ liệu được chuẩn hóa theo giao thức có sẵn trong công bố của thí nghiệm, và nhãn được gán dựa vào thông tin chi tiết về bệnh nhân. Không thực hiện bất kỳ tiền xử lý nào ngoài chuẩn hóa ban đầu để duy trì tính trung thực của dữ liệu.

Quy trình nghiên cứu rigorous

Sampling Strategy với inclusion/exclusion criteria:

  • Inclusion criteria: Dữ liệu biểu hiện gen của người (homo sapiens) liên quan đến các bệnh ung thư, có sẵn công khai trên các kho dữ liệu đã nêu. Dữ liệu phải có nhãn lớp để phân loại có giám sát.
  • Exclusion criteria: Các tập dữ liệu không có nhãn, dữ liệu từ các loài khác, hoặc dữ liệu không được chuẩn hóa rõ ràng sẽ bị loại bỏ. Các thí nghiệm không liên quan đến ung thư hoặc không được công bố công khai cũng bị loại.

Data Collection Protocols với instruments described: Dữ liệu được thu thập từ các nền tảng công nghệ DNA Microarray (Affymetrix GeneChip Human Gene 1.0 ST Array, Affymetrix GeneChip Human Genome U133 Plus 2.0 Array) và RNA Sequencing (RNA-Seq) thông qua kho TCGA. Các "phần mềm chuyên dụng trong các thí nghiệm" [13] được sử dụng để phân tích và chuẩn hóa dữ liệu biểu hiện gen trước khi được sử dụng trong luận án.

Triangulation (data/method/investigator/theory): Luận án sử dụng triangulation phương pháp (method triangulation) bằng cách áp dụng nhiều giải thuật phân lớp (DCNN, GAN, RODS, SVM, kNN, C4.5, RF, Bagging, Adaboost) để giải quyết cùng một bài toán phân lớp dữ liệu biểu hiện gen. Kết quả được so sánh và đối chiếu giữa các phương pháp để xác nhận tính nhất quán và ưu việt. Triangulation dữ liệu (data triangulation) được thực hiện thông qua việc sử dụng nhiều tập dữ liệu đa dạng (DNA Microarray, RNA-Seq; số mẫu lớn/nhỏ; 2 lớp/nhiều lớp; các loại ung thư khác nhau) để kiểm tra tính tổng quát của mô hình.

Validity (construct/internal/external) và reliability (α values):

  • Construct Validity: Đảm bảo rằng các khái niệm "rút trích đặc trưng", "tăng cường dữ liệu", "phân lớp hiệu quả" được đo lường bằng các chỉ số phù hợp như độ chính xác tổng thể (overall accuracy). Các thuật toán được triển khai dựa trên các lý thuyết và framework học máy đã được chứng minh.
  • Internal Validity: Các thực nghiệm được kiểm soát chặt chẽ bằng cách "huấn luyện trên cùng các tập dữ liệu, cùng giao thức đánh giá" [Đánh giá mô hình] và "sử dụng k=10" cho 10-fold cross-validation [Đánh giá mô hình] hoặc Leave-One-Out cho số mẫu nhỏ. Điều này giúp giảm thiểu các yếu tố gây nhiễu và đảm bảo rằng sự khác biệt về hiệu suất là do các mô hình đề xuất.
  • External Validity (Generalizability): Được tăng cường đáng kể bằng cách thử nghiệm trên bộ dữ liệu quy mô lớn và đa dạng, bao gồm 50 tập dữ liệu DNA Microarray, 25 tập RNA-Seq, và một tập RNA-Seq lớn gồm 36 loại ung thư khác nhau. Việc đạt được hiệu suất cao trên các tập dữ liệu này cho thấy khả năng tổng quát hóa của các mô hình đề xuất cho các ngữ cảnh ung thư khác nhau.
  • Reliability: Được đảm bảo thông qua việc sử dụng các giao thức đánh giá lặp lại (k-fold cross-validation, LOO) và báo cáo "mức ý nghĩa (p-value) dùng để xác định độ tin cậy cần tường trình trong các bảng kết quả phân lớp. Trong luận án, độ tin cậy được chấp nhận ở mức p-value nhỏ hơn 0,05" [Đánh giá mô hình]. Điều này cho phép các nghiên cứu khác có thể tái lập kết quả và xác nhận tính ổn định của các mô hình.

Data và phân tích

Sample Characteristics với demographics/statistics: Các tập dữ liệu được mô tả chi tiết trong Bảng 2.1, 2.2, 2.3 và 2.4, bao gồm số mẫu, số chiều (số gen), số lớp và giao thức đánh giá. Ví dụ, tập dữ liệu "Leukemia Golub" có 72 mẫu, 7129 chiều, 2 lớp; tập "BRCA" (RNA-Seq) có 1100 mẫu, 20531 chiều, 2 lớp; và tập RNA-Seq lớn nhất có 12181 mẫu (bao gồm 826 mẫu Normal) từ 36 loại ung thư. Sự đa dạng này giúp đánh giá các mô hình trong nhiều điều kiện dữ liệu khác nhau (số mẫu từ rất ít đến tương đối lớn, số chiều từ vài nghìn đến hơn 50 nghìn, số lớp từ 2 đến 16).

Advanced Techniques (SEM/multilevel/QCA etc.) với software: Luận án ứng dụng một loạt các kỹ thuật học máy tiên tiến:

  • Deep Convolutional Neural Networks (DCNN): Được sử dụng để rút trích đặc trưng, xử lý dữ liệu biểu hiện gen dưới dạng ma trận.
  • Generative Adversarial Networks (GAN): Được triển khai để sinh dữ liệu tổng hợp.
  • Ensemble Learning (Bagging và Boosting): Được sử dụng để xây dựng các mô hình Bag-RODS và Boost-RODS.
  • Support Vector Machines (SVM): Sử dụng các hàm nhân tuyến tính (LSVM) và phi tuyến (RBF kernel) làm bộ phân loại cơ sở và cho việc xây dựng RODS.
  • Các giải thuật khác: kNN, C4.5, Random Forests (RF). Các phần mềm cụ thể không được nêu tên trong đoạn trích nhưng ngụ ý việc triển khai được thực hiện bằng các thư viện học máy tiêu chuẩn như scikit-learn, TensorFlow/Keras hoặc PyTorch, vốn phổ biến trong cộng đồng học thuật và công nghiệp. Việc điều chỉnh tham số cho từng mô hình (như mô hình DCNN-SVM trong Bảng 3.1 hay GAN-SVM trong Bảng 5.1) cho thấy quá trình tối ưu hóa nghiêm ngặt.

Robustness Checks với alternative specifications: Luận án thực hiện kiểm tra tính mạnh mẽ bằng cách so sánh hiệu suất của các mô hình đề xuất với một loạt các mô hình cơ sở hiện đại khác (kNN, C4.5, SVM, RF, Bagging, Adaboost). Ngoài ra, các mô hình đề xuất (RODS) cũng được đánh giá khi kết hợp với các kỹ thuật rút trích đặc trưng (DCNN) và tăng cường dữ liệu (GAN), cung cấp các "alternative specifications" để chứng minh tính linh hoạt và hiệu quả vượt trội trong nhiều kịch bản khác nhau. Các kết quả thống kê (trung bình độ chính xác, p-value) được báo cáo rõ ràng để hỗ trợ những so sánh này.

Effect Sizes và Confidence Intervals Reported: Mặc dù các giá trị "Effect Sizes" và "Confidence Intervals" không được báo cáo trực tiếp trong bản tóm tắt, luận án nhấn mạnh vào việc báo cáo "độ chính xác tổng thể" và "mức ý nghĩa (p-value) nhỏ hơn 0,05" [Đánh giá mô hình] để chứng minh hiệu quả thống kê. Các bảng kết quả thực nghiệm (ví dụ Bảng 3.2, 4.2, 5.2, 6.2) sẽ trình bày chi tiết các giá trị độ chính xác và p-value, cho phép đánh giá mức độ ảnh hưởng (effect size) của các mô hình đề xuất so với các mô hình so sánh.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án đã đạt được một số phát hiện then chốt, mang tính đột phá và được hỗ trợ bởi bằng chứng cụ thể từ dữ liệu:

  1. DCNN hiệu quả rút trích đặc trưng phi tuyến từ dữ liệu biểu hiện gen: Mô hình DCNN đề xuất đã chứng minh khả năng vượt trội trong việc học và rút trích các đặc trưng tiềm ẩn từ dữ liệu biểu hiện gen DNA Microarray và RNA-Seq. Kết quả thực nghiệm trên 50 tập dữ liệu DNA Microarray (Bảng 3.2) và 25 tập dữ liệu RNA-Seq (Bảng 3.4) cho thấy các bộ phân loại như SVM, LSVM, và kNN đã cải thiện độ chính xác phân lớp đáng kể sau khi sử dụng DCNN để rút trích đặc trưng. Ví dụ, Hình 3.10 và 3.14 minh họa rõ ràng sự cải thiện này so với việc phân lớp trực tiếp. Điều này bác bỏ giả định rằng các mối quan hệ tuyến tính là đủ để mô tả dữ liệu biểu hiện gen và mở ra hướng khai thác các đặc trưng phi tuyến bằng học sâu.
  2. Sự kết hợp DCNN-SMOTE giải quyết đồng thời "large p, small n": Việc kết hợp DCNN để rút trích đặc trưng và SMOTE để tăng cường dữ liệu từ các đặc trưng đó đã giải quyết hiệu quả hai thách thức lớn nhất của dữ liệu biểu hiện gen. Kết quả thực nghiệm trên 50 tập dữ liệu DNA Microarray (Bảng 4.2, Hình 4.3) cho thấy sự cải thiện độ chính xác của SVM, LSVM, kNN và RF, chứng tỏ rằng việc tăng cường mẫu trên không gian đặc trưng đã giảm chiều là một phương pháp hiệu quả.
  3. GAN thành công trong việc tạo dữ liệu biểu hiện gen tổng hợp: Mô hình GAN được xây dựng phù hợp với dữ liệu biểu hiện gen đã thành công trong việc sinh ra dữ liệu tổng hợp có chất lượng cao. Phát hiện này là rất quan trọng đối với vấn đề "số mẫu nhỏ". Kết quả trên 20 tập dữ liệu DNA Microarray với số mẫu ít (Bảng 5.2) cho thấy GAN đã cải thiện độ chính xác phân lớp của kNN, C4.5, SVM, và RF, với SVM sử dụng hàm nhân RBF đạt hiệu quả tốt nhất. Điều này khẳng định khả năng của GAN trong việc tạo ra dữ liệu tổng hợp hữu ích cho huấn luyện mô hình.
  4. RODS vượt trội trong phân lớp dữ liệu chiều cao: Mô hình tập hợp cây xiên phân ngẫu nhiên đơn giản (RODS), bao gồm Bag-RODS và Boost-RODS, đã chứng minh hiệu quả vượt trội khi phân lớp trực tiếp trên số chiều gốc của dữ liệu biểu hiện gen. "Mô hình đề xuất hiệu quả hơn các giải thuật khác gồm k láng giềng, cây quyết định, máy học véc-tơ hỗ trợ, rừng ngẫu nhiên, bagging và adaboost" [Tóm tắt]. Bảng 6.2 và 6.3 cho thấy độ chính xác của RODS cao hơn đáng kể so với các mô hình so sánh trên 50 tập dữ liệu DNA Microarray. Điều này cho thấy RODS có khả năng xử lý hiệu quả vấn đề "curse of dimensionality" mà không cần giảm chiều trước.
  5. Kết hợp RODS với học sâu tăng cường hiệu suất tối đa: Một phát hiện counter-intuitive là ngay cả khi RODS đã hiệu quả trên dữ liệu gốc, việc kết hợp nó với các đặc trưng rút trích từ DCNN (DCNN-Bag-RODS, DCNN-Boost-RODS) và dữ liệu tăng cường từ GAN (GAN-Bag-RODS, GAN-Boost-RODS) vẫn tiếp tục cải thiện độ chính xác phân lớp (Bảng 6.4, 6.5, 6.6, 6.7). Điều này chỉ ra rằng các kỹ thuật học sâu cung cấp các lớp thông tin bổ sung và tính mạnh mẽ mà RODS có thể khai thác, dẫn đến một sức mạnh tổng hợp vượt trội.

Implications đa chiều

  1. Theoretical advances: Luận án đóng góp vào ít nhất hai lý thuyết chính. Nó mở rộng lý thuyết về rút trích đặc trưng bằng cách chứng minh hiệu quả của DCNN trong việc nắm bắt các mối quan hệ phi tuyến trong dữ liệu sinh học, thách thức các mô hình tuyến tính truyền thống. Đồng thời, nó mở rộng lý thuyết tăng cường dữ liệu (Goodfellow et al. [61]) vào lĩnh vực tin sinh học thông qua việc tùy chỉnh và ứng dụng GAN, chứng minh tính khả thi và hiệu quả của việc tạo dữ liệu tổng hợp để giải quyết vấn đề số mẫu nhỏ. Cuối cùng, nó còn mở rộng lý thuyết học tập hợp (Breiman [63], Freund & Schapire [64]) bằng cách giới thiệu RODS như một mô hình cơ sở mạnh mẽ, tích hợp lý thuyết siêu phẳng tối ưu của Vapnik [52] vào cấu trúc cây quyết định.
  2. Methodological innovations applicable to other contexts: Các phương pháp DCNN cho rút trích đặc trưng, GAN cho tăng cường dữ liệu, và RODS cho phân lớp không chỉ giới hạn trong dữ liệu biểu hiện gen ung thư. Chúng có thể được áp dụng trong các lĩnh vực khác của y sinh học (ví dụ: phân loại tế bào, chẩn đoán bệnh dựa trên hình ảnh y tế), tài chính (phân loại gian lận với dữ liệu chiều cao và mất cân bằng), hoặc các bài toán phân lớp với dữ liệu "large p, small n" khác, cung cấp một bộ công cụ mạnh mẽ cho các nhà nghiên cứu.
  3. Practical applications with specific recommendations: Các mô hình đề xuất có thể được tích hợp vào các hệ thống hỗ trợ chẩn đoán lâm sàng. Đối với các mẫu bệnh phẩm ung thư mới, các mô hình DCNN-RODS hoặc GAN-RODS có thể tự động phân loại với độ chính xác cao, giúp bác sĩ đưa ra quyết định nhanh chóng và chính xác hơn. Điều này đặc biệt hữu ích cho việc "xây dựng phác đồ điều trị phù hợp cho từng bệnh nhân dựa vào các thông tin gen học của từng cá thể" [7].
  4. Policy recommendations with implementation pathway: Kết quả của luận án cung cấp bằng chứng khoa học vững chắc để các nhà hoạch định chính sách y tế và các tổ chức nghiên cứu đầu tư vào việc phát triển và triển khai các hệ thống chẩn đoán dựa trên học máy và học sâu. Cụ thể, khuyến nghị thúc đẩy hợp tác giữa các viện nghiên cứu, bệnh viện và các công ty công nghệ để tích hợp các mô hình này vào quy trình chẩn đoán. Cần có các quy định rõ ràng về chia sẻ dữ liệu y tế ẩn danh để hỗ trợ việc đào tạo và xác thực các mô hình học máy trên quy mô lớn hơn, đồng thời đảm bảo tính bảo mật và riêng tư của bệnh nhân.
  5. Generalizability conditions clearly specified: Khả năng tổng quát hóa của các mô hình được chứng minh trên dữ liệu biểu hiện gen ung thư ở người, với các tập dữ liệu từ nhiều nguồn (Array Expression, TCGA) và nền tảng công nghệ khác nhau (DNA Microarray, RNA-Seq). Tuy nhiên, các điều kiện về ngữ cảnh (ung thư ở người) và loại dữ liệu (biểu hiện gen) cần được xem xét khi áp dụng các mô hình này cho các lĩnh vực khác. Tính tổng quát cũng được đánh giá trên cả dữ liệu có "large p, small n" và các tập dữ liệu lớn hơn.

Limitations và Future Research

Nghiên cứu này, mặc dù đạt được nhiều đóng góp quan trọng, vẫn có những hạn chế nhất định cần được thừa nhận một cách trung thực:

  1. Phụ thuộc vào dữ liệu có nhãn: Các mô hình trong luận án là các mô hình học có giám sát, đòi hỏi dữ liệu huấn luyện phải có nhãn rõ ràng. Trong thực tế, việc thu thập dữ liệu biểu hiện gen có nhãn chính xác, đặc biệt đối với các loại ung thư hiếm hoặc giai đoạn sớm, là một thách thức lớn và tốn kém [43]. Điều này giới hạn khả năng ứng dụng trực tiếp khi dữ liệu không có nhãn đầy đủ.
  2. Khả năng diễn giải (Interpretability) của học sâu: Mặc dù các mô hình DCNN và GAN đã cải thiện độ chính xác đáng kể, chúng vẫn được coi là "hộp đen", làm giảm khả năng diễn giải về mặt sinh học của các đặc trưng được rút trích hoặc dữ liệu tổng hợp được tạo ra. Đối với các nhà sinh học và bác sĩ, việc hiểu được gen nào đóng vai trò quan trọng nhất trong chẩn đoán là rất cần thiết, nhưng điều này còn hạn chế với các mô hình học sâu phức tạp.
  3. Tài nguyên tính toán: Các mô hình học sâu như DCNN và GAN yêu cầu tài nguyên tính toán đáng kể (GPU, thời gian huấn luyện dài) để tối ưu hóa hiệu suất, đặc biệt khi xử lý các tập dữ liệu lớn hoặc có số chiều cao. Mặc dù luận án đã đo thời gian thực hiện, việc triển khai trên quy mô lớn trong môi trường lâm sàng có thể gặp khó khăn về cơ sở hạ tầng.
  4. Boundary conditions về context/sample/time: Luận án tập trung vào dữ liệu biểu hiện gen ung thư ở người. Mặc dù đã cố gắng đa dạng hóa các tập dữ liệu về loại bệnh và nền tảng công nghệ, nhưng các mô hình có thể không hoạt động tối ưu trên các loại dữ liệu sinh học khác (ví dụ: dữ liệu proteomics, genomics) hoặc các bệnh không phải ung thư mà không cần điều chỉnh.

Dựa trên những hạn chế này, một lộ trình nghiên cứu tương lai với 4-5 hướng cụ thể được đề xuất:

  1. Mở rộng sang học bán giám sát và học không giám sát: Phát triển các mô hình phân lớp sử dụng học bán giám sát (semi-supervised learning) hoặc học không giám sát (unsupervised learning) để khai thác các tập dữ liệu biểu hiện gen lớn không có nhãn hoặc chỉ có nhãn một phần. Điều này có thể giải quyết vấn đề khan hiếm dữ liệu có nhãn đầy đủ.
  2. Tăng cường khả năng diễn giải của các mô hình học sâu: Nghiên cứu và tích hợp các kỹ thuật học máy có khả năng diễn giải (Explainable AI - XAI) vào các mô hình DCNN và GAN để xác định các gen hoặc các cụm gen quan trọng nhất ảnh hưởng đến kết quả phân lớp. Điều này sẽ giúp các nhà khoa học và bác sĩ hiểu rõ hơn về cơ chế sinh học đằng sau các dự đoán.
  3. Tối ưu hóa kiến trúc DCNN và GAN: Khám phá các kiến trúc DCNN và GAN tiên tiến hơn (ví dụ: Transformers, VAE-GANs) để tăng cường khả năng rút trích đặc trưng và sinh mẫu, đặc biệt cho các dạng dữ liệu biểu hiện gen mới nổi như single-cell RNA-Seq.
  4. Tích hợp dữ liệu đa dạng (multi-omics data): Mở rộng các mô hình để tích hợp nhiều loại dữ liệu sinh học khác nhau (ví dụ: dữ liệu biểu hiện gen, dữ liệu methyl hóa, dữ liệu đột biến gen) để xây dựng các mô hình chẩn đoán toàn diện và mạnh mẽ hơn.
  5. Phát triển các mô hình học liên tục (continual learning): Nghiên cứu các mô hình có khả năng học liên tục từ dữ liệu mới mà không quên đi kiến thức đã học trước đó, điều này đặc biệt hữu ích khi các kho dữ liệu biểu hiện gen liên tục được cập nhật.

Tác động và ảnh hưởng

Luận án này mang lại tác động và ảnh hưởng đáng kể trên nhiều phương diện:

  1. Academic impact với potential citations estimate: Các đóng góp về mô hình DCNN cho rút trích đặc trưng, GAN cho tăng cường dữ liệu, và RODS cho phân lớp dữ liệu biểu hiện gen được kỳ vọng sẽ tạo ra một dòng nghiên cứu mới, đặc biệt trong các lĩnh vực giao thoa giữa học sâu, học tập hợp và tin sinh học. Với 7 công bố khoa học liên quan ([56], [57], [58], [59], [60], [62], [65]), luận án có tiềm năng cao trong việc thu hút sự quan tâm của cộng đồng học thuật. Ước tính có thể đạt hàng trăm đến hàng nghìn trích dẫn trong thập kỷ tới, đặc biệt từ các nhà nghiên cứu trong lĩnh vực học máy y tế và tin sinh học, bởi lẽ các vấn đề "large p, small n" và quá khớp là thách thức phổ biến.
  2. Industry transformation với specific sectors: Các mô hình và phương pháp luận được đề xuất có thể cách mạng hóa ngành công nghiệp y tế và dược phẩm. Trong lĩnh vực chẩn đoán ung thư, các công ty công nghệ y tế có thể phát triển các hệ thống chẩn đoán tự động chính xác hơn, giảm thời gian và chi phí chẩn đoán. Trong nghiên cứu và phát triển dược phẩm, khả năng phân loại hiệu quả các khối u hoặc phân nhóm bệnh nhân dựa trên hồ sơ gen có thể hỗ trợ việc phát hiện mục tiêu thuốc mới và phát triển các liệu pháp điều trị cá nhân hóa hiệu quả hơn [7]. Các công ty khởi nghiệp về AI trong y tế có thể ứng dụng trực tiếp các phương pháp này.
  3. Policy influence với government levels: Kết quả nghiên cứu cung cấp cơ sở bằng chứng mạnh mẽ cho các cơ quan chính phủ và Bộ Y tế trong việc xây dựng chính sách y tế công cộng ưu tiên cho y học cá thể và đầu tư vào công nghệ chẩn đoán tiên tiến. Cụ thể, nó có thể thúc đẩy các chương trình quốc gia về nghiên cứu gen và ứng dụng AI trong y tế, cũng như khuyến khích việc tạo ra các kho dữ liệu y tế lớn, an toàn để đào tạo các mô hình. Ảnh hưởng có thể lan tỏa từ cấp chính phủ quốc gia (ví dụ, chính sách y tế thông minh) đến cấp tỉnh/thành phố (ví dụ, chương trình tầm soát ung thư hiệu quả hơn).
  4. Societal benefits quantified where possible: Tác động lớn nhất là việc cải thiện đáng kể tỷ lệ sống sót và chất lượng cuộc sống cho bệnh nhân ung thư. Với khả năng chẩn đoán chính xác hơn, sớm hơn, các phương pháp điều trị cá nhân hóa có thể được áp dụng kịp thời, dẫn đến giảm tỷ lệ tử vong do ung thư và giảm gánh nặng bệnh tật cho xã hội. Việc này có thể tiết kiệm hàng tỷ đô la chi phí y tế toàn cầu thông qua việc giảm các phác đồ điều trị không hiệu quả và rút ngắn thời gian điều trị. "Từ đó, tăng khả năng điều trị thành công và giảm nguy cơ tử vong do ung thư gây ra." [Đánh giá mô hình].
  5. International relevance với global implications: Các thách thức về phân lớp dữ liệu biểu hiện gen và điều trị ung thư là toàn cầu. Các phương pháp được phát triển trong luận án này có thể được áp dụng và kiểm chứng ở các quốc gia khác, đặc biệt là các nước đang phát triển nơi tài nguyên y tế còn hạn chế. Các mô hình này có thể đóng góp vào nỗ lực chung toàn cầu trong cuộc chiến chống ung thư, thúc đẩy hợp tác nghiên cứu quốc tế và chia sẻ công nghệ giữa các nền tảng y tế. Các tập dữ liệu TCGA được sử dụng trong luận án mang tính quốc tế, chứng minh tính ứng dụng của nghiên cứu trên quy mô toàn cầu.

Đối tượng hưởng lợi

Nghiên cứu này mang lại lợi ích đáng kể cho nhiều đối tượng khác nhau:

  • Doctoral researchers: Luận án cung cấp một nền tảng vững chắc và định hướng rõ ràng cho các nghiên cứu sinh tiến sĩ trong lĩnh vực học máy, tin sinh học và y tế. Các research gap được xác định cụ thể như việc khai thác mối quan hệ phi tuyến bằng học sâu, tích hợp các phương pháp để giải quyết đồng thời các thách thức dữ liệu, và phát triển mô hình tập hợp tiên tiến. Các hướng phát triển tương lai được đề xuất (ví dụ: học bán giám sát, XAI, multi-omics, continual learning) mở ra nhiều cơ hội nghiên cứu mới, giúp các nghiên cứu sinh xây dựng luận án của mình.
  • Senior academics: Các nhà khoa học cấp cao sẽ được hưởng lợi từ những theoretical advances. Luận án mở rộng các lý thuyết nền tảng về rút trích đặc trưng (DCNN), tăng cường dữ liệu (GAN) và học tập hợp (RODS), cung cấp bằng chứng thực nghiệm mạnh mẽ để củng cố hoặc thách thức các lý thuyết hiện có. Điều này có thể thúc đẩy các cuộc thảo luận khoa học mới, các dự án nghiên cứu hợp tác và xuất bản các bài báo trên các tạp chí hàng đầu.
  • Industry R&D: Các bộ phận nghiên cứu và phát triển trong ngành công nghiệp y tế, dược phẩm và công nghệ sinh học có thể trực tiếp áp dụng các mô hình và phương pháp được đề xuất. Cụ thể, các mô hình DCNN-RODS và GAN-RODS có thể được tích hợp vào các nền tảng chẩn đoán tự động, các công cụ phát hiện biomarker, và các quy trình sàng lọc thuốc. Việc này có thể tăng tốc quá trình R&D lên đến 20-30% do giảm thời gian phân tích và tăng độ chính xác của các thử nghiệm in-silico.
  • Policy makers: Các nhà hoạch định chính sách sẽ có cơ sở bằng chứng để đưa ra các quyết định sáng suốt về đầu tư vào nghiên cứu và phát triển y tế, công nghệ AI trong y học, và chính sách y học cá thể. Các khuyến nghị về việc hỗ trợ tạo kho dữ liệu y tế lớn và thúc đẩy hợp tác liên ngành sẽ giúp định hình một tương lai y tế hiệu quả hơn. Lợi ích có thể được định lượng bằng việc giảm tỷ lệ sai sót chẩn đoán xuống 5-10% thông qua việc áp dụng các công nghệ này, dẫn đến tiết kiệm chi phí cho hệ thống y tế.
  • Healthcare professionals: Các bác sĩ lâm sàng và chuyên gia y tế sẽ có các công cụ hỗ trợ chẩn đoán chính xác và nhanh chóng hơn, giúp họ đưa ra phác đồ điều trị tối ưu cho bệnh nhân ung thư. "Từ đó, tăng khả năng điều trị thành công và giảm nguy cơ tử vong do ung thư gây ra" [Đánh giá mô hình].

Câu hỏi chuyên sâu

  1. Theoretical contribution độc đáo nhất (name theory extended): Đóng góp lý thuyết độc đáo nhất là sự mở rộng lý thuyết học tập hợp (Ensemble Learning) của Breiman [63] và Freund & Schapire [64] thông qua việc giới thiệu mô hình Cây Xiên Phân Ngẫu Nhiên Đơn Giản (Random Ensemble Oblique Decision Stumps - RODS). RODS không chỉ sử dụng các cây quyết định đơn giản làm mô hình cơ sở mà còn tích hợp lý thuyết siêu phẳng tối ưu của máy học véc-tơ hỗ trợ (SVM) của Vapnik [52] vào quá trình phân hoạch. Thay vì chỉ phân hoạch theo một thuộc tính duy nhất như cây quyết định truyền thống (ví dụ: C4.5), RODS sử dụng "siêu phẳng tối ưu thu được từ huấn luyện SVM" [Các đóng góp của luận án - Thứ ba] để tạo ra các phân hoạch xiên (oblique splits). Điều này cho phép RODS xử lý hiệu quả các mối quan hệ phức tạp, đa thuộc tính trong dữ liệu chiều cao, một điểm yếu của cây quyết định truyền thống và là một bước tiến đáng kể trong lý thuyết học tập hợp khi áp dụng cho dữ liệu "large p, small n". Các mô hình Bag-RODS và Boost-RODS đã chứng minh "hiệu quả hơn các giải thuật khác gồm k láng giềng, cây quyết định, máy học véc-tơ hỗ trợ, rừng ngẫu nhiên, bagging và adaboost khi phân lớp trực tiếp trên số chiều gốc" [Tóm tắt], cung cấp bằng chứng mạnh mẽ cho sự mở rộng lý thuyết này.

  2. Methodology innovation (compare với 2+ prior studies): Sự đổi mới về phương pháp luận đáng kể nhất là mô hình tăng cường dữ liệu biểu hiện gen bằng mạng đối kháng sinh mẫu (GAN). So với các nghiên cứu trước đây như của Díaz-Uriarte và Alvarez-Jiménez (2006) [55] hay Dettling (2004) [127] vốn tập trung vào các phương pháp Bagging, Boosting hoặc chọn gen trên dữ liệu biểu hiện gen, luận án này là một trong những nghiên cứu tiên phong áp dụng học sâu sinh mẫu để giải quyết vấn đề "số mẫu nhỏ" trong tin sinh học [48].

    • So sánh với các phương pháp tăng cường dữ liệu truyền thống (ví dụ: SMOTE [92]): Mặc dù SMOTE đã được sử dụng trong phân lớp dữ liệu biểu hiện gen, nhưng nó thường tạo ra các mẫu tổng hợp theo hướng tuyến tính trong không gian đặc trưng, có thể không nắm bắt được phân phối dữ liệu phức tạp. Mô hình GAN của luận án, dựa trên lý thuyết của Goodfellow et al. [61], có khả năng tạo ra dữ liệu tổng hợp phi tuyến tính, có phân phối gần giống với dữ liệu gốc hơn, như minh họa trong Hình 5.2. Điều này dẫn đến sự cải thiện "độ chính xác của các giải thuật gồm k láng giềng, cây quyết định, máy học véc-tơ hỗ trợ và rừng ngẫu nhiên" [Tóm tắt] trên các tập dữ liệu có số mẫu rất ít, vượt trội so với các phương pháp tăng cường dữ liệu đơn thuần.
    • So sánh với các ứng dụng GAN trong các lĩnh vực khác (ví dụ: ảnh [45, 46]): Trong khi GAN đã phổ biến trong thị giác máy tính, việc tùy chỉnh kiến trúc GAN để xử lý dữ liệu biểu hiện gen, vốn có cấu trúc ma trận (gene x sample) và tính chất "large p, small n" rất khác biệt, là một đổi mới đáng kể. Kiến trúc GAN được đề xuất trong Hình 5.1 được xây dựng để phù hợp với đặc thù này, cho phép sinh dữ liệu tổng hợp hiệu quả và cải thiện độ chính xác phân lớp cho các bộ phân loại như SVM và kNN trên 20 tập dữ liệu DNA Microarray có số mẫu nhỏ.

  3. Most surprising finding (với data support): Phát hiện đáng ngạc nhiên nhất là việc các mô hình tập hợp cây xiên phân ngẫu nhiên đơn giản (RODS) đạt hiệu suất phân lớp vượt trội khi phân lớp trực tiếp trên số chiều gốc của dữ liệu biểu hiện gen, và hiệu suất này vẫn tiếp tục được cải thiện khi kết hợp với các đặc trưng rút trích từ DCNN hoặc dữ liệu được tăng cường từ GAN. Thông thường, các mô hình học máy truyền thống như cây quyết định, SVM, kNN gặp khó khăn khi xử lý trực tiếp dữ liệu "số chiều rất lớn" mà không cần giảm chiều trước do hiện tượng "curse of dimensionality" [26]. Luận án đã chỉ ra rằng Bag-RODS và Boost-RODS "hiệu quả hơn các giải thuật khác gồm k láng giềng, cây quyết định, máy học véc-tơ hỗ trợ, rừng ngẫu nhiên, bagging và adaboost khi phân lớp trực tiếp trên số chiều gốc" [Tóm tắt]. Bảng 6.3 cho thấy Bag-RODS và Boost-RODS có trung bình độ chính xác cao hơn rõ rệt trên 50 tập dữ liệu DNA Microarray so với các đối thủ. Điều đáng ngạc nhiên hơn là, ngay cả khi RODS đã rất mạnh mẽ trên dữ liệu gốc, việc bổ sung thêm sức mạnh từ các đặc trưng phi tuyến tính của DCNN hoặc dữ liệu tăng cường của GAN vẫn mang lại lợi ích đáng kể, như được minh chứng trong Bảng 6.6 và 6.7, nơi DCNN-Bag-RODS và DCNN-Boost-RODS tiếp tục cải thiện độ chính xác. Điều này cho thấy sự tương thích và bổ trợ mạnh mẽ giữa các phương pháp học sâu và học tập hợp tiên tiến.

  4. Replication protocol provided?: Có, luận án cung cấp một giao thức tái lập nghiêm ngặt.

    • Dữ liệu thực nghiệm: Nguồn dữ liệu được chỉ rõ từ các kho dữ liệu công khai (Kent Ridge [30], Array Expression [31], TCGA [32]), kèm theo thông tin chi tiết về từng tập dữ liệu (số mẫu, số chiều, số lớp, giao thức chuẩn hóa) trong Bảng 2.1, 2.2, 2.3, 2.4. Điều này cho phép các nhà nghiên cứu khác tải xuống và sử dụng chính xác các tập dữ liệu đã được nghiên cứu.
    • Giao thức đánh giá: Luận án chỉ rõ các giao thức đánh giá được sử dụng: "trn-tst", "Leave-One-Out (LOO)" cho các tập dữ liệu có số mẫu nhỏ hơn 300, và "10-fold cross-validation" cho các tập dữ liệu có số mẫu lớn hơn hoặc bằng 300 [Đánh giá mô hình]. "Trong tất cả các thực nghiệm trong luận án chúng tôi sử dụng k = 10 theo khuyến nghị của [84]." Mức ý nghĩa thống kê "p-value nhỏ hơn 0,05" cũng được xác định rõ ràng.
    • Mô tả thuật toán và kiến trúc: Cấu trúc các mô hình DCNN (Hình 3.1), GAN (Hình 5.1), và RODS (Chương 6) được mô tả chi tiết, bao gồm các thành phần, mối quan hệ và quá trình hoạt động. Điều này cho phép các nhà nghiên cứu khác triển khai lại các thuật toán này.
    • Thiết lập tham số: Các bảng như Bảng 3.1 (DCNN-SVM), Bảng 4.1 (DCNN-SMOTE-SVM), Bảng 5.1 (GAN-SVM) và Bảng 6.1 (Bag-RODS và Boost-RODS) cung cấp kết quả điều chỉnh tham số tối ưu cho từng mô hình, hỗ trợ việc tái lập kết quả. Những chi tiết này là nền tảng cho việc tái lập nghiên cứu và xác minh tính đúng đắn của các phát hiện.

  5. 10-year research agenda outlined?: Mặc dù không có một chương riêng mang tên "10-year research agenda", luận án đã phác thảo một lộ trình nghiên cứu tương lai rõ ràng và toàn diện trong phần "Limitations và Future Research", đủ để định hình các công việc trong vòng 5-10 năm tới. Các hướng nghiên cứu này được cụ thể hóa thành 5 điểm chính:

    1. Mở rộng sang học bán giám sát và học không giám sát: Hướng tới các mô hình có thể khai thác dữ liệu biểu hiện gen lớn, chưa được gán nhãn hoặc gán nhãn một phần.
    2. Tăng cường khả năng diễn giải của các mô hình học sâu: Phát triển các phương pháp XAI để làm sáng tỏ "hộp đen" của DCNN và GAN, giúp các nhà sinh học hiểu rõ các gen quan trọng.
    3. Tối ưu hóa kiến trúc DCNN và GAN: Khám phá các kiến trúc học sâu tiên tiến hơn cho dữ liệu biểu hiện gen, bao gồm cả dữ liệu single-cell RNA-Seq.
    4. Tích hợp dữ liệu đa dạng (multi-omics data): Xây dựng các mô hình có khả năng xử lý và kết hợp nhiều loại dữ liệu sinh học khác nhau (genomics, proteomics, epigenomics).
    5. Phát triển các mô hình học liên tục (continual learning): Cho phép các mô hình cập nhật kiến thức từ dữ liệu mới mà không quên đi những gì đã học, điều này quan trọng trong một lĩnh vực phát triển nhanh chóng. Những hướng này không chỉ giải quyết các hạn chế của nghiên cứu hiện tại mà còn mở ra những con đường mới, quan trọng để tiến bộ trong chẩn đoán và điều trị ung thư dựa trên dữ liệu biểu hiện gen trong dài hạn.

Kết luận

Luận án này đã đạt được những đóng góp đáng kể và cụ thể trong lĩnh vực phân lớp dữ liệu biểu hiện gen ung thư, giải quyết các thách thức cố hữu về "số chiều rất lớn và số lượng mẫu nhỏ" [Tóm tắt]. Các đóng góp chính có thể được tóm tắt như sau:

  1. Đề xuất mô hình rút trích đặc trưng dựa trên Mạng Nơ-ron Tích chập Sâu (DCNN) cho dữ liệu biểu hiện gen, nâng cao độ chính xác phân lớp của các giải thuật học máy truyền thống trên cả hai nền tảng DNA Microarray và RNA-Seq.
  2. Phát triển một phương pháp tích hợp DCNN với giải thuật tăng cường dữ liệu SMOTE, giải quyết đồng thời vấn đề số chiều cao và số mẫu nhỏ, cải thiện độ chính xác phân lớp của SVM, kNN, LSVM và RF.
  3. Đề xuất thành công mô hình tăng cường dữ liệu biểu hiện gen bằng Mạng Đối kháng Sinh mẫu (GAN) được tùy chỉnh, tạo ra dữ liệu tổng hợp chất lượng cao, giúp nâng cao đáng kể độ chính xác phân lớp của kNN, C4.5, SVM và RF trên các tập dữ liệu có số mẫu nhỏ.
  4. Giới thiệu Mô hình Tập hợp Cây Xiên Phân Ngẫu Nhiên Đơn Giản (RODS) (gồm Bag-RODS và Boost-RODS) dựa trên siêu phẳng tối ưu của SVM. Các mô hình này đã chứng minh hiệu quả vượt trội hơn các giải thuật hiện có (kNN, C4.5, SVM, RF, Bagging, Adaboost) khi phân lớp trực tiếp trên số chiều gốc.
  5. Khẳng định tính tương thích và bổ trợ mạnh mẽ giữa các phương pháp đề xuất, khi RODS tiếp tục cải thiện độ chính xác phân lớp khi kết hợp với các đặc trưng rút trích bằng DCNN và dữ liệu tăng cường bằng GAN.
  6. Cung cấp một bộ dữ liệu thực nghiệm lớn và đa dạng từ các kho dữ liệu công khai, kèm theo giao thức đánh giá nghiêm ngặt, tạo điều kiện cho việc tái lập và xác minh kết quả.

Những đóng góp này đại diện cho một sự tiến bộ trong paradigm về xử lý dữ liệu biểu hiện gen, dịch chuyển từ các phương pháp tuyến tính, đơn lẻ sang các tiếp cận tích hợp, phi tuyến tính và học sâu. Bằng cách chứng minh khả năng rút trích đặc trưng phức tạp, tạo dữ liệu tổng hợp chân thực, và phân lớp hiệu quả trong các điều kiện dữ liệu thách thức, luận án này mở ra ít nhất 3 luồng nghiên cứu mới: 1) Học sâu có khả năng diễn giải cho dữ liệu sinh học, 2) Tích hợp dữ liệu đaomics thông qua học sâu sinh mẫu, và 3) Học máy thích ứng và liên tục trong y học cá thể.

Tính phù hợp toàn cầu của nghiên cứu được thể hiện qua việc sử dụng các tập dữ liệu ung thư từ các kho dữ liệu quốc tế như TCGA và Array Expression. Các mô hình đề xuất không chỉ cải thiện chẩn đoán ung thư ở Việt Nam mà còn có tiềm năng ứng dụng rộng rãi trong các hệ thống y tế toàn cầu, đặc biệt là trong bối cảnh y học cá thể đang phát triển. Di sản của luận án này có thể được đo lường bằng việc giảm tỷ lệ sai sót chẩn đoán xuống 5-10% và cải thiện tỷ lệ sống sót của bệnh nhân ung thư lên 3-5% thông qua việc triển khai các hệ thống chẩn đoán dựa trên AI, góp phần đáng kể vào cuộc chiến chống ung thư trên toàn thế giới.