In this paper, we investigate and propose a novel deep learning-based approach for detecting gene mutations associated with several common cancer types, while ensuring information security during the analysis process. The method begins by visualizing gene mutation data as grayscale images, a crucial step in safeguarding patients sensitive information. Following this, deep learning models are employed to more effectively extract latent features from gene data, while ensuring that personal data remains protected. After visualization, Generative Adversarial Networks are applied to enhance data diversity, generating new image samples from the original gene data without compromising information security. This process not only highlights key features of gene mutations but also improves the generalization apabilities of model while maintaining patient privacy. The critical features learned by the Discriminator are used as input for a Convolutional Neural Network to classify 12 common cancer types. Experimental results demonstrate that the proposed method achieves superior performance in detecting and classifying cancer gene mutations, while ensuring that personal genetic data is safeguarded. This research not only introduces a novel deep learning approach for gene mutation analysis but also ensures information security, effectively supporting cancer diagnosis and treatment.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.