Введение. Урофлоуметрия (УФМ) является ключевым неинвазивным методом оценки функции нижних мочевых путей, однако ее интерпретация может быть субъективной и зависит от опыта врача, что приводит к разным результатам и осложняет диагностику нарушений нижних мочевых путей, связанных с возрастом, травмами и неврологическими заболеваниями.
Цель – продемонстрировать возможность применения машинного обучения в интерпретации УФМ, а также предложить оптимизированные алгоритмы на комбинированных данных и оценить их в проспективных исследованиях.
Материал и методы. Рассмотрены три подхода к классификации временных рядов: случайный лес на числовых признаках, одномерная сверточная нейронная сеть (ResNet-подобная архитектура) и двумерная сверточная сеть с преобразованием в матрицу Грэма (Inception-подобная архитектура). Обучающая выборка: всего 160 записей, тестовая – 40 (20%). Классифицированы 5 нозологий: нормальное мочеиспускание, доброкачественная гиперплазия предстательной железы, стриктура уретры, гиперактивный мочевой пузырь, гипоактивный мочевой пузырь.
Результаты. При использовании случайного леса и одномерной сети была показана точность классификации 77,5 и 87,5% соответственно, для двумерной – 82,5%. Одномерная сеть продемонстрировала наибольшее преимущество в выявлении паттернов кривых УФМ. Модели затруднялись в дифференциации доброкачественной гиперплазии предстательной железы и стриктуры уретры из-за сходства обструктивных паттернов.
Заключение. Оценены три метода классификации: случайный лес на числовых признаках (точность классификации – 77,5%), одномерная сверточная ResNet-подобная нейронная сеть (87,5%) и двумерная с преобразованием в матрицу Грэма (82,5%) с использованием Inception-подобной архитектуры. Проведен сравнительный анализ эффективности методов, подтвердивший преимущество одномерных сверточных сетей в выявлении паттернов кривых УФМ, с рекомендациями по оптимизации для клинической практики и проспективных исследований.
