Tiến sĩ Oliver Y. Chén hiện là Trưởng Bộ phận Nền tảng Tin sinh học tại Bệnh viện Đại học Lausanne (CHUV) và là Giáo sư trợ lý PTC cấp Giáo sư liên kết trong lĩnh vực Trí tuệ nhân tạo và Khoa học thống kê tại Đại học Lausanne. Trước đó, ông từng giữ vị trí Trợ lý Giáo sư về Trí tuệ nhân tạo và Phân tích Dữ liệu lớn tại Đại học Bristol.
Quá trình đào tạo học thuật của ông trải rộng trên nhiều lĩnh vực: kỹ thuật (Tiến sĩ, Đại học Oxford), thần kinh học (Nghiên cứu viên danh dự, University College London), tâm lý học (Cộng tác nghiên cứu, Đại học Yale), thống kê sinh học (Thạc sĩ, Đại học Johns Hopkins), thống kê lý thuyết (Trợ lý nghiên cứu, Đại học Northwestern), và thống kê toán học (Thạc sĩ, Đại học Washington). Ông từng nhận Giải thưởng Louise I. và Thomas D. Dublin vì những đóng góp xuất sắc trong lĩnh vực Dịch tễ học và Thống kê sinh học.
- Diễn giả: Assistant Professor Oliver Y. Chén (University of Lausanne, Thụy Sĩ)
- Thời gian: 09:30 Thứ năm, ngày 17 tháng 07 năm 2025.
- Địa điểm: Phòng E202B, Cơ sở Nguyễn Văn Cừ, Trường Đại học Khoa học tự nhiên, ĐHQG-HCM.
- Tiêu đề: Dự đoán bệnh Alzheimer bằng các phương pháp thống kê và học máy
- Tóm tắt:
Bệnh Alzheimer (AD) chiếm khoảng 60 đến 70% tổng số các ca sa sút trí tuệ. Hiện nay, AD đang ảnh hưởng đến 50 triệu người và con số này dự kiến sẽ tăng lên 152 triệu vào năm 2050. Mặc dù đã có một số phương pháp điều trị (nhưng chưa thực sự hiệu quả), một hướng tiếp cận có lợi để quản lý căn bệnh này là tìm ra các chỉ dấu sinh học chính xác nhằm dự đoán sớm, kịp thời và tiềm năng hơn về sự khởi phát cũng như tiến triển của bệnh. Mặc dù đã có nhiều nỗ lực và tiến bộ đáng kể, việc phát hiện chỉ dấu sinh học và dự đoán bệnh AD vẫn là một thách thức. Điều này phần nào do tính chất đa chiều, đa mô thức của các yếu tố liên quan đến bệnh và phần khác là do tính đa biến của các kết quả bệnh lý. Trong bài trình bày này, chúng tôi giới thiệu một số nghiên cứu kết nối dữ liệu đa mô thức và kết quả đa biến của AD nhằm tìm ra các chỉ dấu sinh học phù hợp, góp phần hiểu rõ hơn về cơ chế bệnh đa mô thức và cải thiện khả năng dự đoán bệnh AD. Cụ thể, chúng tôi trình bày: (1) dự đoán các kết quả đa biến của AD từ dữ liệu hình ảnh não và kết nối não; (2) dự đoán các kết quả đa biến từ dữ liệu đa mô thức; (3) dự đoán tiến triển AD theo thời gian; và (4) đồng thời dự đoán kết quả bệnh của bệnh nhân mới, truy hồi các ca bệnh tương đồng đã được xác nhận, và đưa ra lập luận lâm sàng hỗ trợ đánh giá.
Kính mời quý thầy cô, nghiên cứu sinh, học viên cao học và sinh viên đến tham dự.
