Ершов Артём Владимирович ‒ ассистент кафедры урологии, андрологии и сексологии
Artyom V. Ershov ‒ M.D.; Assistant of the Department of Urology, Andrology and Sexology
Капсаргин Федор Петрович ‒ д.м.н, профессор, заведующий кафедрой урологии, андрологии и сексологии.
Тел.: +7 (908) 212-48-20
Fedor P. Kapsargin ‒ M.D., Ph.D. (M), Professor; Head of the Department of Urology, Andrology and Sexology.
Tel.: +7 (908) 212-48-20
Бережной Александр Григорьевич ‒ кандидат медицинских наук, доцент кафедры урологии, андрологии и сексологии
Мылтыгашев Мирген Прокопьевич ‒ кандидат медицинских наук, ассистент кафедры урологии, андрологии и сексологии
Mirgen P. Myltygashev ‒ M.D., Ph.D. doctoral candidate (M); Assistant of the Department of Urology, Andrology and Sexology
Актуальность. В практике врача-уролога принято судить о типе мочеиспускания по двум параметрам: чаще всего это эффективный объём мочевого пузыря (V) и максимальная объёмная скорость мочеиспускания (Qmax). Поскольку экспертная оценка цифровых характеристик потока мочи часто неоднозначна, они скептически воспринимаются частью врачей и нередко остаются без должного внимания. В настоящее время всё больше проявляется стремление медицины к объективизации путём количественного выражения клинических показателей. Основной технологией, используемой для решения задач обработки и анализа данных, а также их классификации и прогнозирования, являются искусственные нейронные сети. Целью работы являлась разработка экспертной системы распознавания данных урофлометрии на основе нейросетевого классификатора.
Материалы и методы. Обучение искусственной трёхслойной нейронной сети прямого распространения происходило по данным 210 урофлоуграмм и многомерного вектора, характеризующегося 9 входными параметрами.
Результаты. Тестирование системы проводилось на 40 примерах – данных урофлоуграмм пациентов, не участвовавших в обучении нейронной сети. При этом нейронная сеть определила все предложенные примеры правильно.
Выводы. Предложен нейросетевой метод распознавания данных урофлометрии различных заболеваний нижних мочевых путей. Сформировано пространство информативных признаков, влияющих на оценку данных урофлоуметрии. Разработана экспертная система, классифицирующая заболевания (3 вида отклонений от нормы) нижних мочевых путей (НМП) со степенью уверенности в 95%.
Introduction. In the practice of an urologist, it is customary to assess the type of urination by two parameters: most often it is the effective volume of the bladder (V) and the maximum volume rate of urination (Qmax). Since the expert assessment of the digital characteristics of urine flow is often ambiguous, they are not taken into consideration by some doctors and often remain without due attention. Today there is a tendency in medicine to objectify by quantification of clinical parameters. The main technology used to solve the tasks of data processing and analysis, as well as their classification and forecasting, are artificial neural networks. The aim of the work was to develop an expert system of urine flow rate data recognition based on neural network classifier.
Materials and methods. The training of an artificial three-layer neural network of direct distribution occurred according 210 uroflowgrams and a multidimensional vector, characterized by 9 input parameters.
Results. The system was tested on 40 examples ‒ uroflowgram data of patients who did not participate in neural network training. Despite this fact, the neural network has identified all the proposed examples correctly.
Conclusions. A neural network method for recognition of uroflowmetry data of various diseases of the lower urinary tract is proposed. The space of informative features influencing the assessment of uroflowmetry data is formed. An expert system that classifies diseases (3 types of disorders) of the lower urinary tract with a 95% degree of confidence has been developed.
The authors declare that there are no conflicts of interest present.