Análisis comparativo de modelos CNN en la detección de tuberculosis mediante radiografías de tórax

• Aranda-Neira, Derik Steven ^[1] ; Bravo-Flores, Camily Ivanne ^[1] ; Mazon-Olivo, Bertha Eugenia ^[1] ; Rivas-Asanza, Wilmer Braulio ^[1]
  1. [1] Universidad Tecnica de Machala

     Universidad Tecnica de Machala

     Machala, Ecuador

     
• Localización: Ingenium et Potentia: Revista Electrónica Multidisciplinaria de Ciencias Básicas, Ingeniería y Arquitectura, ISSN-e 2665-0304, Vol. 8, Nº. 14, 2026 (Ejemplar dedicado a: Enero - Junio. 2026), págs. 88-110
• Idioma: español
• DOI: 10.35381/i.p.v8i14.4904
• Títulos paralelos:
  • Comparative analysis of CNN models in the detection of tuberculosis using chest X-rays
• Enlaces
  • Texto completo
• Resumen
  • español

    La tuberculosis es un problema de salud crítico que afecta a los pulmones. A pesar de los avances tecnológicos, su diagnóstico temprano sigue dependiendo de métodos tradicionales con alto grado de subjetividad. El presente estudio se enfoca en realizar una comparación de diferentes modelos de CNN que apoyen al diagnóstico de tuberculosis de forma más precisa y objetiva, como un método complementario de diagnóstico para esta enfermedad. Se empleó la metodología CRISP-DM para el proceso de entrenamiento de los siguientes modelos: TBNet, DenseNet121, ResNet50 y MobileNetV2. Se evaluó estas cuatro arquitecturas de redes neuronales convolucionales tomando en cuenta sus métricas: precisión, pérdida, recall, F1-Score, sensibilidad, especificidad y AUC-ROC. El estudio ofrece una demostración mediante gráficas de los resultados de cada modelo, donde DenseNet121 obtuvo los resultados más estables entre sus diferentes métricas que garantiza un contraste favorable entre los resultados clasificados como falsos positivos y falsos negativos.

  • English

    Tuberculosis is a critical health problem that affects the lungs. Despite technological advances, its early diagnosis continues to depend on traditional methods with a high degree of subjectivity. This study focuses on comparing different CNN models that support the diagnosis of tuberculosis more accurately and objectively, as a complementary diagnostic method for this disease. The CRISP-DM methodology was used for the training process of the following models: TBNet, DenseNet121, ResNet50, and MobileNetV2. These four convolutional neural network architectures were evaluated taking into account their metrics: accuracy, loss, recall, F1-Score, sensitivity, specificity, and AUC-ROC. The study provides a graphical demonstration of the results of each model, with DenseNet121 obtaining the most stable results among its different metrics, ensuring a favourable contrast between the results classified as false positives and false negatives.

• Referencias bibliográficas
  • Brun, A. L., Chabi, M. L., Picard, C., Mellot, F., y Grenier, P. A. (2021). Lung Transplantation: CT Assessment of Chronic Lung Allograft...
  • Chicho, B. T., y Sallow, A. B. (2021). A Comprehensive Survey of Deep Learning Models Based on Keras Framework. Journal of Soft Computing...
  • Hadi, M. A., y Ali, H. I. (2021). Control of COVID-19 system using a novel nonlinear robust control algorithm. Biomedical Signal Processing...
  • Kiran, S., y Jabeen, I. (2024). Tuberculosis Chest X-rays Images. Kaggle. https://doi.org/10.34740/KAGGLE/DSV/10304386
  • Kotei, E., y Thirunavukarasu, R. (2024). Tuberculosis Detection From Chest X-Ray Image Modalities Based on Transformer and Convolutional Neural...
  • Liu, Y. E., Mabene, Y., Camelo, S., Rueda, Z. V., Pelissari, D. M., Dockhorn Costa Johansen, F., Huaman, M. A., Avalos-Cruz, T., Alarcón,...
  • Lu, S. Y., Wang, S. H., Zhang, X., y Zhang, Y. D. (2022). TBNet: a context-aware graph network for tuberculosis diagnosis. Computer Methods...
  • Madyono, M., y Nabilah, A. (2025). Detection of Tuberculosis Disease in Lung X-ray Images Using the DenseNet121 Method. International Journal...
  • Rahman, T., Khandakar, A., Kadir, M. A., Islam, K. R., Islam, K. F., Mazhar, R., Hamid, T., Islam, M. T., Kashem, S., Mahbub, Z. Bin, Ayari,...
  • Romero García, C. V., Saraguro Reyes, C. M., Mazon Olivo, B. E., y Morocho Román, R. F. (2025). Agricultura de precisión en la producción...
  • Sánchez Figueroa, L. S., Guillén Muñóz, V. A., Pérez Pérez, J. D., Rodríguez Abrego, P. A., Caprile Mata, C. M., y Cartagena López, K. L....
  • Schröer, C., Kruse, F., y Gómez, J. M. (2021). A systematic literature review on applying CRISP-DM process model. Procedia Computer Science,...
  • Sim, Y., Shin, W., y Lee, S. (2025). Automated code transformation for distributed training of TensorFlow deep learning models. Science of...
  • Tamayo, J. J., y Sauñe, A. B. (2024). Soluciones de TI basadas en machine learning aplicables a problemas del sistema de salud peruano. Revista...
  • Wong, A., Lee, J. R. H., Rahmat-Khah, H., Sabri, A., Alaref, A., y Liu, H. (2022). TB-Net: A Tailored, Self-Attention Deep Convolutional Neural...