kaz44Вестник Университета Шакарима. Серия технические наукиBulletin of Shakarim University. Technical Sciences2788-79953006-0524«Шәкәрім университеті» КеАҚ10.53360/2788-7995-2026-2(22)-19kaz44-2682Research ArticleАВТОМАТИЗАЦИЯ И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИПРИМЕНЕНИЕ СОВРЕМЕННЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ РАННЕЙ ДИАГНОСТИКИ ЗАБОЛЕВАНИЙ МОЛОЧНОЙ ЖЕЛЕЗЫ (YOLOV8, FASTER R-CNN)APPLICATION OF MODERN NEURAL NETWORKS IN EARLY DETECTION OF BREAST DISEASES (YOLOV8, FASTER R-CNN)https://orcid.org/0000-0002-2899-9886ОразаеваА. Р.OrazayevaA.

Айнур Ришатовна Оразаева – PhD, ассистент-профессор кафедры «Информационные технологии»

010000, г. Астана, ул. Мухамедханова, 37А

Ainur Orazayeva – K. Kulazhanov Kazakh University of Technology and Business, Department of Information Technology, Head of the Department, 

010000, Astana, st. Mukhamedkhanova, 37A

oar_is@mail.comhttps://orcid.org/0009-0002-5754-4001СмаковаН. С.SmakovaN.

Нургуль Сериковна Смакова – PhD, ассистент-профессор, 

010000, г. Астана, ул. Мухамедханова, 37А

Nurgul Smakova – K. Kulazhanov Kazakh University of Technology and Business, 

010000, Astana, st. Mukhamedkhanova, 37A

nuri_5@mail.ruhttps://orcid.org/0000-0002-3216-0397МаксутоваК. М.MaksutovaK.

Кундыз Мухтаровна Максутова – PhD, 

010000, г. Астана, ул. Сатпаева, 2

Kundyz Maxutova – 

010000, Astana, st. Satpaev, 2

qunkabai@gmail.comhttps://orcid.org/0009-0000-6597-7910АбильдинаА. А.AbildinaA.

Айгуль Аманжоловна Абильдина – магистр, сеньор-лектор кафедры «Информационные технологии, 

010000, г. Астана, ул. Мухамедханова, 37А

Aigul Abildina – Master, Senior Lecturer, K. Kulazhanov Kazakh University of Technology and Business, Department of Information Technology,

010000, Astana, st. Mukhamedkhanova, 37A

abildina12@mail.ruhttps://orcid.org/0009-0006-0891-5426ТуребаеваА. Е.TurebayevaA.

Айнура Ержановна Туребаева – преподаватель, 

100022, г. Караганда, ул. Университетская, 28

Ainura Tyrebayeva – teacher, 

100022, Karaganda, st. Universitetskaya, 28

tae15.06.89@mail.ruКазахский университет технологии и бизнеса университет имени К. КулажановаКазахстанKazakh University of Technology and Business named after K. KulazhanovKazakhstanЕвразийский национальный университет имени Л.Н. ГумилеваКазахстанL.N. Gumilyov Eurasian National UniversityKazakhstanКарагандинский национальный исследовательский университет имени Е.А. БукетоваКазахстанKaraganda National Research University named after аcademician Ye.A. BuketovKazakhstan20262907202602(22)181189Copyright © Оразаева А.Р., Смакова Н.С., Максутова К.М., Абильдина А.А., Туребаева А.Е., 20262026Оразаева А.Р., Смакова Н.С., Максутова К.М., Абильдина А.А., Туребаева А.Е.Orazayeva A., Smakova N., Maksutova K., Abildina A., Turebayeva A.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://tech.vestnik.shakarim.kz/jour/article/view/2682

Данное исследование направлено на разработку и совершенствование методов эффективного выявления патологий молочной железы с использованием современных методов машинного обучения, в частности YOLOv8 и Faster R-CNN. Традиционные подходы к диагностике заболеваний молочной железы подвергнуты критическому анализу, и их эффективность оценивается по сравнению с современными автоматизированными методами. Предложенные модели применяются к маммографическим изображениям для выявления и классификации патологических образований по шести уровням с учетом степени тяжести и характеристик заболевания. Такая многоуровневая классификация позволяет более точно оценить прогрессирование болезни и предоставляет важную информацию для персонализированного планирования лечения.

Экспериментальные результаты демонстрируют высокую точность и быструю обработку изображений, обеспечивая надежное и оперативное выявление потенциальных патологий молочной железы. Полученные данные свидетельствуют о том, что алгоритмы машинного обучения могут значительно улучшить процесс диагностики, предоставляя врачам более точную и своевременную информацию. Кроме того, исследование подчеркивает потенциал автоматизированных систем для ранней диагностики, оптимизации лечебных стратегий и улучшения исходов для пациентов. Результаты подтверждают возрастающую роль искусственного интеллекта в медицинской визуализации и его трансформирующее влияние на управление заболеваниями молочной железы.

This study aims to explore and develop advanced methods for the effective detection of breast pathologies using state-of-the-art machine learning techniques, specifically YOLOv8 and Faster R-CNN. Traditional approaches to breast disease diagnosis are critically reviewed, and their effectiveness is evaluated in comparison to modern automated methods. The proposed models are applied to mammographic images to identify and categorize pathological patterns into six distinct levels, considering variations in severity and disease characteristics. This multi-level classification allows for a more precise assessment of disease progression and provides critical information for personalized treatment planning.

Experimental results demonstrate that the proposed approach achieves high accuracy and fast image processing, enabling reliable and rapid detection of potential breast abnormalities. These findings suggest that machine learning algorithms can significantly enhance the diagnostic process, providing clinicians with more accurate and timely information. Furthermore, the study highlights the potential of automated detection systems to improve early diagnosis, optimize treatment strategies, and ultimately enhance patient outcomes. The results emphasize the growing role of artificial intelligence in medical imaging and its transformative impact on the future of breast disease management.

Глубокое обучениеFaster Region-based Convolutional Neural Network (R-CNN)You Only Look Once (YOLOv8)база данныхмодельDeep learningFaster Region-based Convolutional Neural Network (R-CNN)You Only Look Once (YOLOv8)databasemodelReferencesBiomedical image segmentation method based on contour preparation / A. Orazayeva et al. // in Photonics Applications in Astronomy, Communications, Industry, and High Energy Physics Experiments. – 2022. https://doi.org/10.1117/12.2657929.Biomedical image segmentation method based on contour preparation / A. Orazayeva et al. // in Photonics Applications in Astronomy, Communications, Industry, and High Energy Physics Experiments. – 2022. https://doi.org/10.1117/12.2657929.Imaging fuzzy expert system for assessing dynamic changes in biomedical tumor images in breast cancer / A. Orazayeva et al // in Photonics Applications in Astronomy, Communications, Industry, and High Energy Physics Experiments. – 2022. https://doi.org/10.1117/12.2657923.Imaging fuzzy expert system for assessing dynamic changes in biomedical tumor images in breast cancer / A. Orazayeva et al // in Photonics Applications in Astronomy, Communications, Industry, and High Energy Physics Experiments. – 2022. https://doi.org/10.1117/12.2657923.Methods for detecting and selecting areas on texture biomedical images of breast cancer / A. Orazayeva et al // Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Srodowiska. – 2022. – Vol. 12(2). – P. 69-72. https://doi.org/10.35784/iapgos.2951.Methods for detecting and selecting areas on texture biomedical images of breast cancer / A. Orazayeva et al // Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Srodowiska. – 2022. – Vol. 12(2). – P. 69-72. https://doi.org/10.35784/iapgos.2951.Detection of lung pathology using the fractal method / G. Abdikerimova et al // International Journal of Electrical and Computer Engineering. – 2023. – Vol. 13(6). – P. 6778-6786. https://doi.org/10.11591/ijece.v13i6.pp6778-6786.Detection of lung pathology using the fractal method / G. Abdikerimova et al // International Journal of Electrical and Computer Engineering. – 2023. – Vol. 13(6). – P. 6778-6786. https://doi.org/10.11591/ijece.v13i6.pp6778-6786.Detection of chest pathologies using autocorrelation functions / G. Abdikerimova et al // International Journal of Electrical and Computer Engineering. – 2023. – Vol. 13(4). – P. 4526-4534. https://doi.org/10.11591/ijece.v13i4.pp4526-4534.Detection of chest pathologies using autocorrelation functions / G. Abdikerimova et al // International Journal of Electrical and Computer Engineering. – 2023. – Vol. 13(4). – P. 4526-4534. https://doi.org/10.11591/ijece.v13i4.pp4526-4534.Zhang Y. Deep Learning-Based Breast Cancer Detection in Mammography Images Using YOLOv8 / Y. Zhang, H. Liu, X. Chen // Diagnostics. – 2024. – Vol. 14(3). – P. 455-470. https://doi.org/10.3390/diagnostics14030455.Zhang Y. Deep Learning-Based Breast Cancer Detection in Mammography Images Using YOLOv8 / Y. Zhang, H. Liu, X. Chen // Diagnostics. – 2024. – Vol. 14(3). – P. 455-470. https://doi.org/10.3390/diagnostics14030455.Kumar S. Breast Lesion Detection in Mammograms Using Faster R-CNN and Attention Mechanisms / S. Kumar, R. Patel, A. Singh // Computer Methods and Programs in Biomedicine. – 2023. – Vol. 231. – Article 107389. https://doi.org/10.1016/j.cmpb.2023.107389.Kumar S. Breast Lesion Detection in Mammograms Using Faster R-CNN and Attention Mechanisms / S. Kumar, R. Patel, A. Singh // Computer Methods and Programs in Biomedicine. – 2023. – Vol. 231. – Article 107389. https://doi.org/10.1016/j.cmpb.2023.107389.Wang L. YOLOv8-Based Automated Breast Cancer Detection Framework for Medical Imaging / L. Wang, Q. Zhao, M. Li // Biomedical Signal Processing and Control. – 2025. – Vol. 92. – Article 106102. https://doi.org/10.1016/j.bspc.2024.106102.Wang L. YOLOv8-Based Automated Breast Cancer Detection Framework for Medical Imaging / L. Wang, Q. Zhao, M. Li // Biomedical Signal Processing and Control. – 2025. – Vol. 92. – Article 106102. https://doi.org/10.1016/j.bspc.2024.106102.Hernandez J. Artificial Intelligence Approaches for Early Breast Cancer Detection: A Comparative Deep Learning Study / J. Hernandez, D. Oliveira, P. Martins // Artificial Intelligence in Medicine. – 2024. – Vol. 150. – Article 102781. https://doi.org/10.1016/j.artmed.2024.102781.Hernandez J. Artificial Intelligence Approaches for Early Breast Cancer Detection: A Comparative Deep Learning Study / J. Hernandez, D. Oliveira, P. Martins // Artificial Intelligence in Medicine. – 2024. – Vol. 150. – Article 102781. https://doi.org/10.1016/j.artmed.2024.102781.Ahmed N. Comparative Analysis of YOLOv8 and Faster R-CNN for Breast Tumor Detection / N. Ahmed, T. Rahman, J. Lee // IEEE Access. – 2025. – Vol. 13. – P. 22541-22556. https://doi.org/10.1109/ACCESS.2025.3354128.Ahmed N. Comparative Analysis of YOLOv8 and Faster R-CNN for Breast Tumor Detection / N. Ahmed, T. Rahman, J. Lee // IEEE Access. – 2025. – Vol. 13. – P. 22541-22556. https://doi.org/10.1109/ACCESS.2025.3354128.Silva M. Recent Advances in Deep Learning for Mammography Analysis / M. Silva, F. Costa, A. Ribeiro // Cancers. – 2023. – Vol. 15(18). – P. 4512-4530. https://doi.org/10.3390/cancers15184512.Silva M. Recent Advances in Deep Learning for Mammography Analysis / M. Silva, F. Costa, A. Ribeiro // Cancers. – 2023. – Vol. 15(18). – P. 4512-4530. https://doi.org/10.3390/cancers15184512.Kim J. Explainable Deep Learning Models for Breast Cancer Detection in Medical Imaging / J. Kim, S. Park, Y. Choi // Healthcare. – 2024. – Vol. 12(7). – P. 1185-1201. https://doi.org/10.3390/healthcare12071185.Kim J. Explainable Deep Learning Models for Breast Cancer Detection in Medical Imaging / J. Kim, S. Park, Y. Choi // Healthcare. – 2024. – Vol. 12(7). – P. 1185-1201. https://doi.org/10.3390/healthcare12071185.Al-Masni M. Hybrid CNN and Object Detection Models for Mammogram Classification / M. AlMasni, D. Kim, S. Han // Sensors. – 2025. – Vol. 25(2). – P. 998-1016. https://doi.org/10.3390/s25020998.Al-Masni M. Hybrid CNN and Object Detection Models for Mammogram Classification / M. AlMasni, D. Kim, S. Han // Sensors. – 2025. – Vol. 25(2). – P. 998-1016. https://doi.org/10.3390/s25020998.

The authors declare that there are no conflicts of interest present.