Виявлення пухлин головного мозку на МРТ-зображеннях з можливістю пояснення використання YOLOv8 у LIME
DOI:
https://doi.org/10.30837/2522-9818.2026.1.017Ключові слова:
виявлення пухлини головного мозку; МРТ; YOLOv8; зрозумілий штучний інтелект; LIME; аналіз медичних зображеньАнотація
Актуальність. Точна ідентифікація пухлин головного мозку за допомогою магнітно-резонансної томографії (МРТ) є критично важливим завданням в аналізі медичних зображень. Хоча підходи глибокого навчання часто досягають відмінної продуктивності виявлення, їм часто бракує прозорості в процесах прийняття рішень. Ця відсутність інтерпретованості обмежує довіру в клінічній практиці та створює сильну потребу у впровадженні методів пояснювального штучного інтелекту (XAI). Об'єкт дослідження. Об'єктом цього дослідження є автоматизований процес виявлення пухлин головного мозку на МРТ-сканах з використанням підходів на основі згорткових нейронних мереж. Предмет дослідження. Предметом дослідження є застосування моделей виявлення об'єктів YOLOv8 разом з методом пояснювальності LIME для інтерпретації виходів моделі в контексті аналізу медичних зображень. Мета. Метою цієї статті є розробка та оцінка пояснювальної структури для виявлення пухлин головного мозку, яка інтегрує виявлення об'єктів на основі YOLOv8 з інтерпретованістю, керованою LIME, за підтримки кількісної оцінки якості пояснення. Результати. Експериментальна оцінка демонструє, що моделі YOLOv8 здатні точно виявляти вибрані типи пухлин головного мозку на зображеннях МРТ, тоді як LIME успішно визначає області зображення, які мають найбільший вплив на рішення моделі. Запропоновані кількісні метрики підтверджують стабільність та розрідженість згенерованих пояснень, тим самим покращуючи інтерпретованість та надійність запропонованої системи виявлення.
Посилання
References
Di Fazio, N., Zanza, C., Longhitano, Y. et al. (2026), "Artificial intelligence for early diagnosis in emergency department", J Anesth Analg Crit Care, Vol. 6, No.7, 2026, DOI: https://doi.org/10.1186/s44158-025-00334-y
Zaitseva, E., Levashenko, V., Rabcan, J., Kvassay, M. (2023), "A New Fuzzy-Based Classification Method for Use in Smart/Precision Medicine", Bioengineering, Vol. 10(7), No. 838, DOI: https://doi.org/10.3390/bioengineering10070838
Francisco, K.K.Y., Apuhin, A.E.C., et al. (2026), "Personalized medicine and health equity: overcoming cost barriers and ethical challenges", Int J Equity Health , Vol.25, No. 4. DOI: https://doi.org/10.1186/s12939-025-02710-0
Zaitseva, E., Levashenko, V., Rabcan, J., Krsak, E. (2020), "Application of the structure function in the evaluation of the human factor in healthcare", Symmetry, Vol.12(1), No. 93. DOI: https://doi.org/10.3390/SYM12010093
Zaitseva, E., Levashenko, V. (2026), "Reliability engineering in healthcare: Opportunities and challenges", Reliability Engineering and System Safety, Vol. 267, No. 111933. DOI: https://doi.org/10.1016/j.ress.2025.111933
Sharma, R.M. (2025), "Artificial intelligence in medical image analysis and molecular diagnostics: recent advances and applications", J Med Artif Intell., Vol.8, 53 р. DOI: https://doi.org/10.21037/jmai-24-412
Menze, B.H., et al. (2015), "The Multimodal Brain Tumour Image Segmentation Benchmark (BRATS) ", IEEE Trans. Med. Imaging, Vol. 34, No. 10, Oct. 2015, pp. 1993–2024. DOI: https://doi.org/10.1109/TMI.2014.2377694
Aleid, A., Alhussaini, K., Alanazi, R., Altwaimi, M., Altwijri, O., Saad, A.S., (2023), "Artificial Intelligence Approach for Early Detection of Brain Tumours Using MRI Images", Applied Science, Vol. 13, No. 3808. DOI: https://doi.org/10.3390/app13063808
Gökmen, N. (2025), "AI techniques for brain tumour segmentation in MRI: a review (2019–2024)", Netw Model Anal Health Inform Bioinforma, Vol.14, 168 р. DOI: https://doi.org/10.1007/s13721-025-00650-x
Kolarik, M., Sarnovsky, M., Paralic, J., Babic, F. (2023), "Explainability of deep learning models in medical video analysis: a survey", Peer J Comput. Sci., Vol. 9, 1253 р, DOI: https://doi.org/10.7717/peerj-cs.1253
Kondratenko, Y., Sidenko, I., Kondratenko, G., Petrovych, V., Taranov, M., Sova, I. (2021), "Artificial Neural Networks for Recognition of Brain Tumours on MRI Images". Information and Communication Technologies in Education, Research, and Industrial Applications. ICTERI 2020. Communications in Computer and Information Science, Vol 1308. Springer, Cham, DOI: https://doi.org/10.1007/978-3-030-77592-6_6
Ali, S., Abuhmed, T., El-Sappagh, Sh., et al. (2023), "Explainable Artificial Intelligence (XAI): What we know and what is left to attain Trustworthy Artificial Intelligence", Information Fusion, Vol. 99, 101805 р. DOI: https://doi.org/10.1016/j.inffus.2023.101805
Hassan, S.U., Abdulkadir, S.J., Zahid, M.S.M., Al-Selwi, S.M. (2025), "Local interpretable model-agnostic explanation approach for medical imaging analysis: A systematic literature review", Comput. Biol. Med., Vol. 185, 109569 р. DOI: https://doi.org/10.1016/j.compbiomed.2024.109569
Zaitseva, E., Levashenko, V. (2025), "Reliability Analysis Based on Aleatory and Epistemic Uncertainty Using Binary Decision Diagrams", International Journal of Intelligent Systems, Vol.2025, No. 6471577. DOI: https://doi.org/0.1155/int/6471577
Zhou, Z., Hooker, G., Wang, F. (2021), "S-LIME: Stabilized-LIME for Model Explanation", in Proc. of the 27th ACM SIGKDD Conf. on Knowledge Discovery & Data Mining, pp. 2429-2438. DOI: https://doi.org/10.1145/3447548.3467274
Zaitseva, E., Rabcan, J., Levashenko, V., Kvassay, M. (2023), "Importance analysis of decision-making factors based on fuzzy decision trees", Applied Soft Computing, Vol. 134, No. 109988. DOI: https://doi.org/10.1016/j.asoc.2023.109988
"Medical Image DataSet: Brain Tumour Detection". available: https://www.kaggle.com/datasets/pkdarabi/medical-image-dataset-brain-tumour-detection (last accessed Feb. 04, 2026).
Alsufyani, A. (2025), "Performance comparison of deep learning models for MRI-based brain tumour detection", AIMS Bioeng., Vol. 12, No. 1, pp. 1-21. DOI: https://doi.org/10.3934/bioeng.2025001
Ultralytics, ‘Explore Ultralytics YOLOv8’. available: https://docs.ultralytics.com/models/yolov8/ (last accessed Feb. 04, 2026).
Explainable AI (XAI) Using LIME’, GeeksforGeeks. available: https://www.geeksforgeeks.org/artificial-intelligence/introduction-to-explainable-aixai-using-lime (last accessed Feb. 04, 2026).
Ultralytics, ‘Performance Metrics Deep Dive’. available: https://docs.ultralytics.com/guides/yolo-performance-metrics (last accessed Feb. 04, 2026).
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Наше видання використовує положення про авторські права Creative Commons для журналів відкритого доступу.
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License (CC BY-NC-SA 4.0), котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
Автори мають право укладати самостійні додаткові угоди щодо не комерційного та не ексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису опублікованої роботи, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи.
