Использование методов машинного обучения в интерпретации результатов урофлоуметрии

экспериментальная и клиническая урология №

Урофлоуметрия (УФМ) – неинвазивный метод оценки функции нижних мочевых путей (НМП), измеряющий скорость потока мочи во время мочеиспускания. Этот тест ключевой в урологии для диагностики заболеваний,ассоциированных с дисфункцией НМП [1]. Несмотря на простоту, интерпретация субъективна и зависит от опыта врача, вызывая межнаблюдательную вариабельность.

Значимость проблемы подчеркивается растущей распространенностью нарушений НМП,связанных с возрастом, травмами, неврологическими заболеваниями и послеоперационными осложнениями [2–4]. Субъективность интерпретации УФМ приводит к неоднозначным результатам, что усложняет стандартизацию подходов и сравнение данных между клиниками. В итоге это влияет на эффективность терапии, включая фармакологическое лечение, хирургические вмешательства и реабилитацию, повышая риск осложнений и повторных обращений.

В последние годы наблюдается тенденция к интеграции машинного обучения (МО) и искусственного интеллекта (ИИ) для автоматизации анализа данных УФМ, что может снизить субъективность и повысить диагностическую точность [5]. МО позволяет обрабатывать многомерные данные, включая числовые параметры и временные ряды. U. Ishfaq и соавт. показывают, что логистическая регрессия, деревья решений, машины опорных векторов, случайный лес и глубокие нейронные сети демонстрируют потенциал в задаче многоклассовой классификации [6]. Тенденция к снижению инвазивности проявляется в разработке неин- вазивных подходов, например, анализе акустических сигналов мочеиспускания с использованием нейронных сетей [7].

Помимо традиционных методов, для решения задач классификации временных рядов могут использоваться сверточные нейронные сети со специализированными архитектурами, такими как ResNet и Inception [8, 9].

В статье рассмотриваются способы классификации с помощью моделей на основе случайных лесов, а также сверточных нейронных сетей с ResNet- и Inception-подобной архитектурой.

Цель исследования – продемонстрировать возможность применения МО в интерпретации УФМ, предложить оптимизированные алгоритмы на комбинированных данных и оценить их в проспективных исследованиях. Это стандартизирует диагностику заболеваний НМП, улучшит прогнозирование терапии и интегрирует ИИ в урологическую практику.

МАТЕРИАЛЫ И МЕТОДЫ

Сбор данных осуществляли путем ретроспективного анализа историй болезней, с дальнейшим извлечением диагнозов и формированием электронных таблиц. Диагнозы доброкачественной гиперплазии предстательной железы (ДГПЖ) и стриктура уретры устанавливали на основании ультразвуковой диагностики, уретроцистоскопии и данных анамнеза, а гиперактивного и гипоактивного мочевого пузыря – с помощью инвазивного уродинамического исследования. Сформирован набор урофлоуграмм, состоящий из графиков и их числовых показателей.

Математическую и статистическую обработку данных, собранных в процессе исследования, выполняли с помощью программных пакетов Microsoft Excel и StatTech.

В качестве исходных данных использовали результаты 200 УФМ. Показатели были взяты из базы данных 66 урологического отделения ГБУЗ «Московский многопрофильный научно-клинический центр им. С.П. Боткина». Каждой нозологии были присвоены классы, а именно: 0 – нормальное мочеиспускание; 1 – ДГПЖ; 2 – стриктура уретры; 3 – гиперактивный мочевой пузырь (ГАМП); 4 – гипоактивный мочевой пузырь. Статистические показатели для этих данных представлены в табл. 1.

В качестве тестовой выборки использовали случайные 20% данных общего числа урофлоуграмм ( n =40). Распределение классов в тестовой выборке следующее:нормальное мочеиспускание – 5 случаев, ДГПЖ – 6, стриктура уретры – 10, ГАМП – 10, гипо-активный мочевой пузырь – 9 случаев.

Для оценки качества результатов классификации на тестовой выборке использовались метрики:общая точность (доля правильных предсказаний, 0–100%), коэффициент Каппа Коэна (от -1 до 1), macro-recall (средняя чувствительность, 0–100%), macro-precision (средняя доля правильно предсказанных положительных объектов из всех объектов,предсказанных как положительные, 0–100%), macro-F1 (гармоническое среднее precision и recall, 0–100%). Коэффициент Каппа Коэна предпочтителен, поскольку он учитывает случайные совпадения, делая оценку согласия более надежной в данных с нарушенным количественным балансов классов. В многоклассовых задачах классификации коэффициент легко обобщается и учитывает все типы ошибок на основе матрицы несоответствий [9].

В процессе работы исследованы несколько подходов для классификации, использующих различные методы МО и различные варианты входных данных.

Первый метод основан на применении алгоритмов случайного леса (Random Forest) для классификации по числовым признакам кривых УФМ. Данный метод основан на совместном использовании нескольких более простых классификаторов, каждый из которых представляет собой дерево решений. Деревья независимо определяют принадлежность к тому или иному классу на основании простых правил, заранее определенных в процессе создания классификатора, а затем, их прогнозы объединяются для получения единственного, более точного результата. Каждое дерево обучается на случайной подвыборке из исходного набора данных и случайном подмножестве признаков, что позволяет снизить переобучение и повысить обобщающую способность модели в целом.

Второй метод использует в качестве классификатора одномерную сверточную нейронную сеть (ResNet-подобная сеть) , обрабатывающую данные временных рядов напрямую, что позволяет модели выявлять паттерны кривой временного ряда. Их изначальным предназначением является обработка изображений, но одномерный вариант можно использовать для анализа последовательных данных. Основным преимуществом сверточных нейронных сетей является способность находить скрытые закономерности и сложные взаимосвязи во входных данных без необходимости использования числовых показателей. При использовании данного метода в качестве временного ряда использовались числовые значения графиков УФМ.

Таблица 1. Средние показатели урофлоуметрии при различных нарушениях мочеиспускания

Table 1. Average uroflowmetry values for various urination disorders

Признак Диагноз	Нормальное мочеиспускание, n =25 Normal urination, n =25	ДГПЖ, n =30 BPH, n =30	Стриктура уретры, n =50 Urethral stricture, n =50	ГАМП, n =50 OAB, n =50	Гипоактивный мочевой пузырь, n =45 Underactive bladder, n =45
Время мочеиспускания, c Total urination, sec	18,51±4,44	68,59±16,80	69,96 ±1 5,74	13,32 ±3,20	86,62±20,96
Максимальная скорость потока мочи, мл/c Qmax, ml/sec	27,39±4,43	8,87±2,19	7,03±1,63	33,96±4,65	10,43±2,62
Средняя скорость потока мочи, мл/c Qavg, ml/sec	21,57±7,59	4,54±2,00	3,70±1,40	23,56±4,79	5,58±2,15
Время до максимального потока, мл/с Time to Qmax, ml/sec	5,67±2,05	23,48±9,71	22,73 ±8,82	4,28 ±1,63	29,01±11,39
Объем мочеиспускания, мл Total urination volume, ml	375,32±86,09	286,17±64,64	243,86±60,03	185,24 ±43,64	447,42±92,61
Время ожидания начала мочеиспускания, с Waiting time for urination to begin, sec	6,24±2,26	73,69±29,35	88,81±39,74	4,54±1,93	90,19±38,46

Примечание. Здесь и далее: ДГПЖ – доброкачественная гиперплазия предстательной железы; ГАМП – гиперактивный мочевой пузырь Note. Here and further: BPH – benign prostatic hyperplasia; OAB – overactive bladder

Третий метод использует преобразование одномерного временного ряда в двумерное представление (матрицу Грэма) (Inception-подобная сеть) , что открывает возможность использования существующих глубоких сверточных архитектур для повышения качества обучения модели МО. Исходные данные преобразуются в изображение с помощью метода Gramian Angular Field, заключающегося в представлении одномерных временных рядов в полярных координатах и построении на их основе матрицы Грэма [11–13].

Второй и третий методы,представляющие наибольший интерес, были реализованы следующими архитектурами: Inception-подобная (рис. 1, A), ResNet-подобная (рис. 1, Б) соответственно.

РЕЗУЛЬТАТЫ

Сравнение эффективности применяемых методов на тестовой выборке из 40 записей показало высокую точность классификации урофлоуметрических данных для всех трех подходов. Классический метод случайного леса, базирующийся на числовых признаках, продемонстрировал точность классификации – 77,5%. Визуализация производительности алгоритма случай- ного леса для классификации урофлоуграмм представлена на рис. 2, А, где по вертикали представлены фактические значения классов, по горизонтали – предсказанные, а каждый элемент матрицы показывает количество пересечений фактического и предсказанного значения. Как видно из матрицы, алгоритм допустил наибольшее количество ошибок в классификации ДГПЖ и ГАМП. При классификации ДГПЖ допущено 4 ошибки, а при ГАМП – 3.

Наилучший результат был достигнут с использованием одномерной сверточной нейронной сети, показавшей точность классификации на уровне 87,5%, что свидетельствует о преимуществе глубокого обучения в выявлении сложных закономерностей в кривых урофлоуграмм, не всегда очевидных при ручном анализе или использовании числовых параметров. Результат классификации представлен в виде матрицы несоответствия на рис. 2, Б. Из матрицы видно, что модель справилась с классификацией ДГПЖ и ГАМП лучше, чем алгоритм случайного леса, количество ошибок снизилось на 2 для обоих классов.

Меньшую точность классификации показал метод с преобразованием исходных данных кривых в двумерное предоставление в сочетании с двумерной

Рис. 1. Архитектурные блоки: А – Inception-блок; Б – ResNet-блок

Fig. 1. Architectural blocks: А – Inception-block; Б – ResNet-block

а) Случайный лес a) Random Forest

Норма Normal |	5	0           0		0           0
ф ! дгпж _ ВРН ф	0	2	4	0           0 0           0
ф g Стриктура _      , m Stricture ф о		0	9
ф к £   ГАМП      Л         - §    ОАВ'    0         0			1	7	2
гмп ив	1	0	0           0		8
	Норма	ДГПЖ Стриктура   ГАМП			ГМП

Normal ВРН Stricture ОАВ         UB

Предсказанное значение Predicted value

б) ResNet-подобная сеть b) ResNet-like network

Норма Normal '

4

0          0           0           1

network

в) Inception в) Inception-like

Норма Normal

predicted value

Стриктура Stricture

Предсказанное значение

	5
			9
				7
					8

Норма Normal

Стриктура Stricture

Предсказанное значение

Норма Normal

Рис. 2. Матрицы несоответствий: А – случайный лес; Б – ResNet-подобная сеть; В – Inception

Примечание: Норма – нормальное мочеиспускание; ДГПЖ – доброкачественная гиперплазия предстательной железы; Стриктура – стриктура уретры; ГАМП – гиперактивный мочевой пузырь; ГМП – гипоактивный мочевой пузырь Fig. 2. Confusion matrices: А – random forest; Б – ResNet-like network; В – Inception- like network

Note: Normal – normal urination; BPH – benign prostatic hyperplasia; Stricture – urethral stricture; OAB – overactive bladder; OAB – underactive bladder

сверточной нейронной сетью. Полученный результат в 82,5% точности классификации может объясняться как избыточностью дополнительных преобразований, так и недостаточным объемом обучающей выборки для эффективного обучения двумерной архитектуры. Полученные результаты отражены в матрице несоответствия на рис. 2, В. Модель допустила ошибки в классификации стриктуры уретры и ГАМП, которых не было допущено моделью,использованной во втором методе. Количество ошибок составило 1 и 3 для стриктуры уретры и ГАМП соответственно.

Результаты эффективности различных моделей представлены в табл. 2.

Рассчитаны метрики: общая точность (accuracy), коэффициент Каппа Коэна (Cohen's Kappa), macro-recall, macro-precision и macro-F1(табл. 3).

Интерпретация коэффициента Каппа Коэна (по шкале Landis and Koch, 1977): для случайного леса и Inception-подобной сети – существенное согласие (входит в интервал 0,61–0,80); для ResNet-подобной сети – почти идеальное согласие (входит в интервал 0,81–1,00).

ОБСУЖДЕНИЕ

Класс Class	Случайный лес, % Random forest, %	ResNet-подобная сеть, % ResNet-like network, %	Inception-подобная сеть, % Inception-like network, %
Нормальное мочеиспускание Normal urination	100	80	100
ДГПЖ BPH	33,3	66,7	66,7
Стриктура уретры Urethral stricture	90	100	90
ГАМП OAB	70	90	70
Гипоактивный пузырь Underactive bladder	88,9	88,9	88,9

Таблица 3. Метрики качества результатов классификации на тестовой выборке Table 3. Quality metrics for classification results on a test sample

Модель Model	Общая точность, % Аccuracy, %	Коэффициент Каппа Коэна Cohen's Kappa	Macro-recall, %	Macro-precision, %	Macro-F1, %
Случайный лес Random forest	77,5	0,713	76	83	75
ResNet-подобная сеть Resnet-like network	87,5	0,840	85	89	86
Inception-подобная сеть Inception-like network	82,5	0,778	83	85	82

информации. В работе H. Shin и соавт. продемонстрирован опыт моделей, которые учитывали такие характеристики, как размер предстательной железы, параметры мочеиспускания и результаты анкетирования. Две модели были оценены с помощью ROC-анализа, показатели 0,826 и 0,819 соответственно [17]. Ряд авторов заявляют о создании моделей для оценки мочеиспускания на основе звуковых сигналов [7, 18, 19]. V.F. Tsai и соавт. разработали вибрационный урофлоуметр с интегрированным искусственным интеллектом. Точность постановки диагноза составила 97% [20].

Анализ современных работ подтверждает, что модели искусственного интеллекта демонстрируют высокую диагностическую ценность и хорошие перспективы для интеграции в урологическую практику.

ЗАКЛЮЧЕНИЕ

Оценены три метода классификации:случайный лес на числовых признаках (точность 77,5%), одномерная сверточная ResNet-подобная нейронная сеть (87,5%) и двумерная с преобразованием в матрицу Грэма (82,5%) с использованием Inception-подобной архитектуры. Сравнение эффективности методов подтвердило преимущество одномерных сверточных сетей в выявлении паттернов кривых УФМ, с рекомендациями по оптимизации для клинической практики и проспективных исследований. Проведенное исследование показывает потенциал использования ИИ в урологической практике.

ЛНТЕРАТУРА/REEERENCES

ПШАТШ/ШИИШ

Сведения об авторах:

Аванесян И.О. – студент ФГБОУ ВО «Российский университет медицины» Минздрава России,Москва, Россия;РИНЦ Author ID: 1268300,

Строганов Р.В. – к.м.н., ассистент кафедры урологии ФГБОУ ВО «Российский университет медицины» Минздрава России, ведущий специалист ГБУ «Научно-исследовательский институт организации здравоохранения и медицинского менеджмента» Департамента здравоохранения города Москвы,врач-уролог урологического отделения № 66 ГБУЗ «Московский многопрофильный научно-клинический центр им. С.П.Боткина», Москва, Россия;РИНЦ Author ID: 1074224,

Грицков И.О. – младший научный сотрудник ГБУЗ «Московский многопрофильный научно-клинический центр им. С.П. Боткина», преподаватель кафедры медицинской техники ФГБОУ ДПО «Российская медицинская академия непрерывного профессионального образования» Минздрава России, Москва, Россия;

РИНЦ Author ID: 1175027,

Афанасьева В.С. – студент ФГБОУ ВО «Российский университет медицины» Минздрава России,Москва, Россия;

Глигорич А.С. – студент ФГБОУ ВО «Российский университет медицины» Минздрава России,Москва, Россия;

Васютин И.А. – магистрант кафедры индустриального программирования Института перспективных технологий и индустриального программирования, МИРЭА – Российский технологический университет,Москва,Россия;

Панин А.А.– магистрант кафедры индустриального программирования Института перспективных технологий и индустриального программирования; МИРЭА – Российский технологический университет,Москва,Россия;

Касян Г.Р. – д.м.н., профессор кафедры урологии ФГБОУ ВО «Российский университет медицины» Минздрава России,Москва,Россия;РИНЦ Author ID: 686514,

Пушкарь Д.Ю.– д.м.н., профессор,академик РАН,заведующий кафедрой урологии ФГБОУ ВО «Российский университет медицины» Минздрава России,Москва, Россия;

РИНЦ Author ID: 417122,

Вклад авторов:

Аванесян И.О. – концепция и дизайн исследования, написание текста, 15%

Строганов Р.В. – концепция и дизайн исследования, 10%

Грицков И.О. – редактирование текста, 5%

Афанасьева В.С. – получение данных для анализа, 5%

Глигорич А.С. – обработка полученных данных, 5%

Васютин И.А. – реализация методов машинного обучения, написание текста, 15% Панин А.А. – реализация методов машинного обучения, редактирование текста, 15% Касян Г.Р. – концепция и дизайн исследования, критический обзор, 15%

Пушкарь Д.Ю. – научное руководство, 15%

Конфликт интересов. Авторы заявляют об отсутствии конфликта интересов.

Финансирование. Исследование выполнено при поддержке Автономной некоммерческой организации «Московский центр инновационных технологий в здравоохранении» в рамках гранта № 0703-2/23 от 16 июня 2023 года.

Статья поступила: 12.02.2026

Результаты рецензирования: 17.03.2026

Исправления получены: 04.04.2026

Принята к публикации: 15.04.2026

Information about authors:

RSCI Author ID: 1268300,

Stroganov R.V. – PhD, Associate Department of Urology, Russian University of Medicine;

Leading Specialist, Research Institute for Healthcare Organization and Medical Management of M oscow Healthcare Department, Urologist, Department of Urology №66, S.P. Botkin City Clinical Hospital, M oscow, Russia; RSCI Author ID: 1074224,

Gritskov I.O. – junior researcher, S.P. Botkin City Clinical Hospital, Lecturer, Department of Medical Equipment, Russian Medical Academy of Continuous Professional Education, Moscow, Russia; RSCI Author ID: 1175027,

University, M oscow, Russia;

Panin A.A. – Master’s degree student, Department of Industrial Programming, Institute of Advanced Technologies and Industrial Programming, MIREA – Russian Technological University, M oscow, Russia;

Pushkar D.Yu. – MD, Dr. Sci. (Med.), Professor, Academy of the RAS, Head, Department of Urology, Russian University of Medicine, Moscow, Russia; RSCI Author ID: 417122,

Authors’ contributions:

Avanesyan I.O. – concept and design research, text writing, 15%

Stroganov R.V. – concept and design of research, 10%

Gritskov I.O. – editing and proofreading, 5%

Afanaseva V.S. – obtaining data, 5%

Gligorich A.S. – processing of obtained data, 5%

Vasyutin I.A. – implementation of machine learning methods, text writing, 15%

Panin A.A. – implementation of machine learning methods, editing and proofreading, 15%

Kasyan G.R. – concept and design research, critical review, 15%

Pushkar D.Yu. – scientific supervision, 15%

Conflict of interest. The authors declare no conflict of interest.

Financing. The study was supported by the Autonomous Non-Profit Organization «Moscow Center for Innovative Technologies in Healthcare» under grant No. 0703-2/23 dated June 16, 2023.