ترجمه فارسی مقاله یادگیری عمیق: مکانیسم سه مرحله ای اکتشافی برای جستجوهای شبکه برای بهینه سازی پیش بینی خطر آینده متاستاز سرطان پستان با استفاده از داده های بالینی مبتنی بر EHR

چکیده

A grid search, at the cost of training and testing a large number of models, is an effective way to optimize the prediction performance of deep learning models. A challenging task concerning grid search is the time management. Without a good time management scheme, a grid search can easily be set off as a mission that will not finish in our lifetime. In this study, we introduce a heuristic three-stage mechanism for managing the running time of low-budget grid searches, and the sweet-spot grid search (SSGS) and randomized grid search (RGS) strategies for improving model prediction performance, in predicting the 5-year, 10-year, and 15-year risk of breast cancer metastasis. We develop deep feedforward neural network (DFNN) models and optimize them through grid searches. We conduct eight cycles of grid searches by applying our three-stage mechanism and SSGS and RGS strategies. We conduct various SHAP analyses including unique ones that interpret the importance of the DFNN-model hyperparameters. Our results show that grid search can greatly improve model prediction. The grid searches we conducted improved the risk prediction of 5-year, 10-year, and 15-year breast cancer metastasis by 18.6%, 16.3%, and 17.3% respectively, over the average performance of all corresponding models we trained using the RGS strategy. We not only demonstrate best model performance but also characterize grid searches from various aspects such as their capabilities of discovering decent models and the unit grid search time. The three-stage mechanism worked effectively. It made our low-budget grid searches feasible and manageable, and in the meantime helped improve model prediction performance. Our SHAP analyses identified both clinical risk factors important for the prediction of future risk of breast cancer metastasis, and DFNN-model hyperparameters important to the prediction of performance scores.

چکیده به فارسی (ترجمه ماشینی)

جستجوی شبکه ، با هزینه آموزش و آزمایش تعداد زیادی از مدل ها ، روشی مؤثر برای بهینه سازی عملکرد پیش بینی مدل های یادگیری عمیق است.یک کار چالش برانگیز در مورد جستجوی شبکه ، مدیریت زمان است.بدون یک طرح مدیریت خوب ، یک جستجوی شبکه به راحتی می تواند به عنوان مأموریتی تنظیم شود که در طول عمر ما به پایان نرسد.در این مطالعه ، ما یک مکانیسم سه مرحله ای اکتشافی برای مدیریت زمان در حال اجرا در جستجوی شبکه کم بودجه ، و جستجوی شبکه شیرین (SSG) و جستجوی شبکه تصادفی (RGS) برای بهبود عملکرد پیش بینی مدل ، در پیش بینی معرفی می کنیم.خطر 5 ساله ، 10 ساله و 15 ساله متاستاز سرطان پستان.ما مدل های شبکه عصبی عمیق (DFNN) را توسعه داده و آنها را از طریق جستجوهای شبکه بهینه می کنیم.ما با استفاده از مکانیسم سه مرحله ای و استراتژی های SSGS و RGS ، هشت چرخه جستجو شبکه را انجام می دهیم.ما تجزیه و تحلیل های مختلفی از جمله موارد منحصر به فرد را انجام می دهیم که اهمیت HyperParameters-Model DFNN را تفسیر می کند.نتایج ما نشان می دهد که جستجوی شبکه می تواند پیش بینی مدل را تا حد زیادی بهبود بخشد.جستجوهای شبکه ای که ما انجام دادیم پیش بینی خطر متاستاز 5 ساله ، 10 ساله و 15 ساله سرطان پستان را به ترتیب 18.6 ٪ ، 16.3 ٪ و 3 /17 ٪ به ترتیب متوسط ​​عملکرد تمام مدلهای مربوطه که با استفاده از RGS آموزش داده ایم ، بهبود بخشید.استراتژیما نه تنها بهترین عملکرد مدل را نشان می دهیم بلکه جستجوهای شبکه را از جنبه های مختلف مانند قابلیت های آنها در کشف مدل های مناسب و زمان جستجوی شبکه واحد توصیف می کنیم.مکانیسم سه مرحله ای به طور مؤثر کار کرد.این باعث می شود جستجوهای شبکه کم بودجه ما امکان پذیر و قابل کنترل باشد و در این میان به بهبود عملکرد پیش بینی مدل کمک کرد.تجزیه و تحلیل Shap ما هر دو عامل خطر بالینی مهم را برای پیش بینی خطر آینده متاستاز سرطان پستان و Hyperparameters DFNN-Model مهم برای پیش بینی نمرات عملکرد شناسایی کرده است.