一家医疗保健公司训练一个神经网络，将X射线分类为正常或异常。数据集包含1,000张已标记的训练图像和200张测试图像。一个具有50个隐藏层的网络在训练集上达到了99%的准确率，但在测试集上只有55%的准确率。专家应考虑以下哪些更改来解决此问题？（选择三项。）

训练集准确率高而测试集准确率低表明模型过拟合。减少隐藏层数量可以降低模型复杂度，使其更难记住训练数据，从而减轻过拟合。启用Dropout正则化会在训练期间随机关闭部分神经元，迫使网络学习更鲁棒的特征，而不是依赖于少数特定神经元，这也有助于防止过拟合。在训练期间启用提前停止，即在验证集性能开始下降时停止训练，可以防止模型在训练集上过度优化，从而提高泛化能力。增加隐藏层数量会增加模型复杂度，加剧过拟合。使用更小的学习率主要影响收敛速度和稳定性，对过拟合的直接缓解作用有限。将测试图像包含在训练集中会污染测试集，导致对模型真实性能的评估不准确。