深度学习:用于网格搜索的启发式三阶段机制,以优化乳腺癌转移的未来风险预测,使用基于EHR的临床数据
Xia Jiang1, Yijun Zhou1, Chuhan Xu1
1Department of Biomedical Informatics, University of Pittsburgh, Pittsburgh, PA 15206, USA.
Cancers
|April 14, 2025
概括
为乳腺癌转移风险预测优化深度学习模型至关重要. 一种新的三阶段网格搜索机制显著提高了预测准确度,使复杂的模型优化在预算上可行.
科学领域:
- 计算生物学是一种计算生物学.
- 机器学习在医疗保健中的应用
- 为癌症研究提供深度学习.
背景情况:
- 网格搜索对于优化深度学习模型是有效的,但面临时间管理挑战.
- 低预算的电网搜索需要有效的策略来避免过度的计算时间.
- 预测乳腺癌转移风险是临床决策的关键领域.
研究的目的:
- 在深度学习中引入一个启发式的三阶段机制来管理低预算的网格搜索时间.
- 应用甜点网格搜索 (SSGS) 和随机网格搜索 (RGS) 策略来优化乳腺癌转移风险预测模型.
- 为了提高深度前神经网络 (DFNN) 模型对5年,10年和15年的转移风险的预测性能.
主要方法:
- 开发了深度前神经网络 (DFNN) 模型,用于预测乳腺癌转移风险.
- 实施了八循环,三阶段的网格搜索过程以优化超参数.
- 利用SHAP分析来解释模型预测和超参数贡献.
主要成果:
- 与RGS相比,网格搜索改善了5年,10年和15年的乳腺癌转移风险预测,分别为18.6%,16.3%和17.3%.
- 三阶段机制证明了可行和可管理的低预算电网搜索的有效性.
- SHAP分析确定了关键的临床风险因素和重要的DFNN超参数用于预测.
结论:
- 网格搜索显著提高了深度学习模型预测性能.
- 拟议的三阶段机制有效地管理了网格搜索时间,并提高了模型的准确性.
- SHAP分析为预测乳腺癌转移的临床因素和模型超参数提供了宝贵的见解.
