一家醫療保健公司訓練一個類神經網路，將X光片分類為正常或異常。資料集包含1,000張已標記的訓練影像和200張測試影像。一個具有50個隱藏層的網路在訓練集上達到99%的準確度，但在測試集上僅達到55%的準確度。專家應該考慮以下哪些改變來解決這個問題？（選擇三項）

這個神經網路在訓練集上表現極佳（99%準確度），但在測試集上表現不佳（55%準確度），這明確指出模型過度擬合（overfitting）。過度擬合表示模型記住了訓練資料的雜訊和細節，導致在新資料上泛化能力差。 減少隱藏層的數量可以降低模型的複雜度，使其更難過度擬合訓練資料。啟用Dropout正規化是一種常用的技術，它在訓練期間隨機停用部分神經元，迫使網路學習更穩健的特徵，從而減少過度擬合。在訓練期間啟用Early Stopping可以監控模型在驗證集上的表現，並在性能開始下降時停止訓練，防止模型繼續過度擬合。 增加隱藏層的數量會增加模型複雜度，可能加劇過度擬合。使用較小的學習率主要影響收斂速度和找到最佳解的能力，對過度擬合的直接影響較小。將測試影像納入訓練集會導致數據洩漏（data leakage），使模型在測試集上的表現無法真實反映其泛化能力。