Abstract
<jats:p>Актуальність дослідження зумовлено щораз більшою потребою у високоточних, інтерпретованих та відтворюваних методах аналізу ультразвукових зображень, які відіграють ключову роль у ранньому виявленні патологій та підвищенні ефективності клінічних рішень. Традиційні підходи до ультразвукової діагностики значною мірою залежать від суб’єктивного досвіду лікаря, що знижує стабільність результатів та зумовлює ризики пропуску критичних змін. Метою статті є обґрунтування та формування інтегрованої концепції автоматизованої системи аналізу ультразвукових зображень, розробленої на основі механізмів пояснюваного штучного інтелекту й орієнтованої на підвищення діагностичної точності, інтерпретованості результатів та зміцнення довіри клінічних фахівців до автоматизованих рішень. Методологія. У дослідженні застосовано підходи глибинного навчання для сегментації, класифікації та структурного аналізу ультразвукових даних; методи пояснюваного штучного інтелекту, зокрема Grad-CAM, LIME і SHAP, для оцінювання інтерпретованості моделей; процедури стандартизації та нормалізації ультразвукових вибірок; а також методи клінічно орієнтованої валідації, що забезпечують достовірність і стабільність результатів. Використано порівняльний аналіз алгоритмічних рішень, багаторівневе оцінювання якості даних і принципи мультипараметричної інтеграції клінічних та візуальних ознак. Наукова новизна. Уперше комплексно досліджено взаємозв’язок між якістю ультразвукових вибірок, інтерпретованістю XAI-моделей та точністю діагностичних прогнозів; установлено критичний вплив стандартизації зображень і клінічних параметрів на стабільність алгоритмічних рішень; доведено, що застосування комбінованих XAI-підходів забезпечує багатовимірну інтерпретацію та суттєво підвищує клінічну довіру; виявлено основні технічні, організаційні та етичні перешкоди впровадження XAI-систем в ультразвукову діагностику та обґрунтовано шляхи їх подолання. Висновки. Дослідженням підтверджено потенціал глибинного навчання в підвищенні точності аналізу ультразвукових зображень і доведено значущість пояснюваного штучного інтелекту для забезпечення прозорості діагностичних рішень. Установлено, що ефективність автоматизованої системи визначається якістю вибірок, стабільністю XAI-пояснень та інтеграцією клінічних параметрів. Запропоновано практичні підходи до формування стійкої XAI-системи, здатної мінімізувати діагностичні помилки та оптимізувати роботу медичних закладів, що відкриває перспективи для розроблення стандартизованих, клінічно релевантних цифрових рішень нового покоління.</jats:p>