深度学习用于预测晚发性乳腺癌转移:单个超参数网格搜索 (SHGS) 策略用于深度输送前传神经网络的元调整
Yijun Zhou1, Om Arora-Jain1, Xia Jiang1
1Department of Biomedical Informatics, University of Pittsburgh, Pittsburgh, PA 15260, USA.
Bioengineering (Basel, Switzerland)
|November 27, 2025
概括
优化深度前神经网络 (DFNN) 超参数以预测乳腺癌转移是具有挑战性的. 一个新的单超参数网格搜索 (SHGS) 策略有效地缩小了最佳值,为改进的临床应用节省了时间和资源.
科学领域:
- 医疗信息学 医疗信息学
- 机器学习在医学中的应用
- 计算生物学 计算生物学
背景情况:
- 机器学习 (ML) 在医学上表现有前途,但临床采用有限,特别是用于预测乳腺癌转移.
- 深度前神经网络 (DFNNs) 正在开发,以提前几年预测乳腺癌转移.
- 通过网格搜索优化DFNN超参数是资源密集型由于时间限制和广的搜索空间,特别是连续参数,如L1和L2规范化.
研究的目的:
- 为用于乳腺癌转移预测的DFNN模型开发一个高效的超参数优化策略.
- 解决与传统的网格搜索方法相关的时间和资源限制.
- 促进ML模型在瘤学中的临床应用.
主要方法:
- 引入单个超参数网格搜索 (SHGS) 策略,作为全面网格搜索之前的预选择步骤.
- 将SHGS应用于DFNN模型,用于在三个数据集 (10,12年和15年的预测) 中预测乳腺癌转移.
- 分析了八个关键的超参数:时代,批量大小,学,L1,L2,学习速度,衰退和动量.
主要成果:
- 获得的最大测试AUC得分为0.770 (10年),0.762 (12年) 和0.886 (15年) 的数据集.
- 证明了个别超参数对模型性能的影响,并确定了特定的模式.
- 展示了SHGS如何建议降低超参数值范围,有利于资源受限的网格搜索.
结论:
- 最佳的超参数值取决于数据集,并受到其他超参数设置的影响.
- SHGS策略提供了一种切实可行的方法,可以减少网格搜索的搜索空间,使超参数调整更有效.
- 这种方法为提高乳腺癌转移预测的DFNN模型性能提供了基础.
