Кліменко, ВалеріяМазурець, ОлександрМізин, ДжорджоМолчанова, МаринаKlimenko, ValeriiaMazurets, OleksandrMizyn, DzhordzhoMolchanova, Maryna2026-05-062026-05-062026Кліменко В., Мазурець О., Мізин Д., Молчанова М. Програмна архітектура системи нейромережевого аналізу зображень для доклінічного виявлення аутизму з використанням claud-технологій // Herald of Khmelnytskyi National University. Technical Sciences. 2026. Vol. 363, No. 2. P. 244-250.https://elar.khmnu.edu.ua/handle/123456789/21042У статті розглянуто проблему доклінічного скринінгового виявлення ризику розладів аутистичного спектра та обґрунтовано потребу в об’єктивізованих, відтворюваних і масштабованих інструментах, здатних підтримати фахівця на етапі первинного скринінгу. Запропоновано програмну архітектуру системи нейромережевого аналізу зображень із використанням claud-технологій, що забезпечує керований життєвий цикл даних і моделей, версіонування, збереження артефактів, журналювання подій та контроль якості. Архітектура структурована на підсистеми даних і керування даними, конвеєр обробки і навчання, а також сервіси аналізу, доступ до яких здійснюється через API шлюз із аутентифікацією та контролем доступу. В основу запропонованої системи покладено нейромережевий підхід доклінічного виявлення ризику розладів аутистичного спектра, що реалізує три етапи: донавчання нейромережевої моделі на цільовому датасеті, класифікацію фото та генерацію пояснень, що включають візуальні карти значущості і семантичне текстове обґрунтування прийнятого рішення. Експериментальну перевірку виконано на моделі архітектури ViT. На прикладі роботи програмного забезпечення отримано узгоджений розподіл ймовірностей із оцінкою ризику РАС на рівні близько 0.724, а також пояснювальні виходи у вигляді ключових зон обличчя і морфометричних індикаторів. За результатами навчання показано, що найкращу сукупну якість досягнуто на 5 епосі, де Val loss становить 0.3506, Val acc 0.885, а MCC 0.771, тоді як подальше збільшення кількості епох призводить до зниження показників. Отримані результати підтверджують придатність запропонованої архітектури для скринінгових застосувань і визначають напрями подальшої валідації на незалежних, репрезентативних вибірках. Рішення орієнтоване на безпечну роботу з чутливими даними завдяки централізованому зберіганню, аудиту та можливості моніторингу змін у вхідних даних, що створює підґрунтя для регламентованого оновлення моделей у хмарному середовищі.The article considers the problem of preclinical screening risk detection of autism spectrum disorders and justifies the need for objectified, reproducible and scalable tools capable of supporting a specialist at the stage of primary screening. The software architecture of a neural network image analysis system using cloud technologies is proposed, which provides a managed data and model lifecycle, versioning, artifact storage, event logging and quality control. The architecture is structured into data and data management subsystems, a processing and training pipeline, as well as analysis services, access to which is provided through an API gateway with authentication and access control. The proposed system is based on a neural network approach to preclinical risk detection of autism spectrum disorders, which implements three stages: additional training of a neural network model on the target dataset, photo classification and generation of explanations, including visual significance maps and semantic textual justification of the decision made. Experimental verification was performed on the ViT architecture model. The software example obtained a consistent probability distribution with an ASD risk score of about 0.724, as well as explanatory outputs in the form of key facial areas and morphometric indicators. The training results show that the best overall quality is achieved at the 5th epoch, where Val loss is 0.3506, Val acc 0.885, and MCC 0.771, while a further increase in the number of epochs leads to a decrease in the indicators. The results obtained confirm the suitability of the proposed architecture for screening applications and determine the directions of further validation on independent, representative samples. The solution is focused on secure work with sensitive data due to centralized storage, auditing, and the ability to monitor changes in input data, which creates the basis for regulated updating of models in a cloud environment.ukрозлади аутистичного спектранейромережевий аналіз зображеньViTclaud-технологіїautism spectrum disordersneural network image analysiscloud technologiesСтаття004.8https://doi.org/10.31891/2307-5732-2026-363-33