ĐẢM BẢO AN TOÀN THÔNG TIN TRONG PHÂN TÍCH ĐỘT BIẾN GEN:  TRỰC QUAN HOÁ DỮ LIỆU VÀ ỨNG DỤNG GAN ĐỂ PHÂN LOẠI UNG THƯ

Nguyễn Thị Thúy Quỳnh; Phan Thị Hải Hồng

doi:10.34238/tnu-jst.11388

ĐẢM BẢO AN TOÀN THÔNG TIN TRONG PHÂN TÍCH ĐỘT BIẾN GEN: TRỰC QUAN HOÁ DỮ LIỆU VÀ ỨNG DỤNG GAN ĐỂ PHÂN LOẠI UNG THƯ

Thông tin bài báo

Ngày nhận bài: 23/10/24 Ngày hoàn thiện: 18/12/24 Ngày đăng: 18/12/24

Các tác giả

1. Nguyễn Thị Thúy Quỳnh , Viện Công nghệ thông tin và truyền thông – Học viện Kỹ thuật quân sự
2. Phan Thị Hải Hồng, Viện Công nghệ thông tin và truyền thông – Học viện Kỹ thuật quân sự

Tóm tắt

Trong bài báo này, chúng tôi nghiên cứu và đề xuất một phương pháp ứng dụng học sâu mới trong việc phát hiện đột biến gen liên quan đến một số loại ung thư phổ biến, đồng thời đảm bảo an toàn thông tin trong quá trình phân tích. Phương pháp này bắt đầu bằng việc trực quan hóa dữ liệu gen đột biến thành hình ảnh xám, một bước quan trọng giúp bảo vệ thông tin nhạy cảm của bệnh nhân. Tiếp theo, các mô hình học sâu được sử dụng để khai thác đặc trưng tiềm ẩn trong dữ liệu gen một cách hiệu quả hơn, trong khi vẫn đảm bảo rằng các thông tin cá nhân không bị lộ. Sau quá trình trực quan hóa, mạng đối nghịch tạo sinh được áp dụng để tăng cường sự đa dạng của dữ liệu, sinh ra các mẫu ảnh mới từ các hình ảnh dữ liệu gen ban đầu mà không làm mất đi tính bảo mật của thông tin gốc. Quá trình này không chỉ làm nổi bật các đặc điểm quan trọng của đột biến gen mà còn cải thiện khả năng tổng quát hóa của mô hình, trong khi bảo vệ quyền riêng tư của bệnh nhân. Các đặc trưng quan trọng được bộ phân biệt (Discriminator) học và được sử dụng làm đầu vào cho mạng nơ-ron tích chập để phân loại 12 loại ung thư phổ biến. Kết quả thực nghiệm cho thấy phương pháp đề xuất đạt hiệu suất vượt trội trong việc phát hiện và phân loại các loại đột biến gen ung thư, đồng thời đảm bảo rằng dữ liệu gen cá nhân được bảo vệ. Nghiên cứu này không chỉ mở ra một hướng tiếp cận mới trong việc ứng dụng học sâu cho phân tích gen đột biến, mà còn đảm bảo an toàn thông tin, hỗ trợ hiệu quả trong chẩn đoán và điều trị ung thư.

Từ khóa

Đột biến gen; Trực quan hoá; GAN; CNN; An toàn thông tin

Toàn văn:

PDF

Tài liệu tham khảo

[1] I. Tomlinson, P. Sasieni, and W. Bodmer, “How many mutations in a cancer?” The American Journal of Pathology, vol. 160, no. 3, pp. 755-758, 2020.

[2] S. Wang, J. Shi, Z. Ye, D. Dong, D. Yu, M. Zhou, Y. Liu, O. Gevaert, K. Wang, Y. Zhu et al., “Predicting EGFR mutation status in lung adenocarcinoma on computed tomography image using deep learning,” European Respiratory Journal, vol. 53, no. 3, 2019, doi: 10.1183/13993003.00986-2018.

[3] M. K. K. Leung, A. Delong, B. Alipanahi, and B. J. Frey, “Machine learning in genomic medicine: a review of computational problems and data sets,” Proceedings of the IEEE, vol. 104, no. 1, pp. 176-197, 2015.

[4] K.-H. Yu, C. Zhang, G. J. Berry, R. B. Altman, C. Ré, D. L. Rubin, and M. Snyder, “Predicting non-small cell lung cancer prognosis by fully automated microscopic pathology image features,” Nature Communications, vol. 7, no. 1, 2016, Art. no. 12474.

[5] H. Wang, C. Wang, and H. Qu, “Deep neural network for somatic mutation classification,” Scientific Programming, vol. 2021, no. 1, 2021, Art. no. 5529202.

[6] P. Sanjaya, K. Maljanen, R. Katainen, S. M. Waszak, L. A. Aaltonen, O. Stegle, J. O. Korbel, and E. Pitk¨anen, “Mutation-attention (muat): deep representation learning of somatic mutations for tumour typing and subtyping,” Genome Medicine, vol. 15, no. 1, 2023, Art. no. 47.

[7] K. Krishnamachari, D. Lu, A. Swift-Scott, A. Yeraliyev, K. Lee, W. Huang, S. N. Leng, and A. J. Skanderup, “Accurate somatic variant detection using weakly supervised deep learning,” Nature Communications, vol. 13, no. 1, 2022, Art. no. 4248.

[8] Y. Sun, S. Zhu, K. Ma, W. Liu, Y. Yue, G. Hu, H. Lu, and W. Chen, “Identification of 12 cancer types through genome deep learning,” Scientific Reports, vol. 9, no. 1, 2019, Art. no. 17256.

[9] D. Ravì, C. Wong, F. Deligianni, M. Berthelot, J. Andreu-Perez, B. Lo, and G.-Z. Yang, “Deep learning for health informatics,” IEEE Journal of Biomedical and Health Informatics, vol. 21, no. 1, pp. 4-21, 2016.

[10] M. Durgadevi et al., “Generative Adversarial Network (GAN): A general review on different variants of GAN and applications,” in 2021 6th International Conference on Communication and Electronics Systems (ICCES), 2021, pp. 1-8.

[11] P. Chaudhari, H. Agrawal, and K. Kotecha, “Data augmentation using mg-gan for improved cancer classification on gene expression data,” Soft Computing, vol. 24, pp. 11 381-11 391, 2020.

DOI: https://doi.org/10.34238/tnu-jst.11388

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ