Análisis comparativo de modelos CNN en la detección de tuberculosis mediante radiografías de tórax
DOI:
https://doi.org/10.35381/i.p.v8i14.4904Palabras clave:
Comparación, CNN, diagnóstico, tuberculosis, radiografía., Comparison, (Tesauro UNESCO).Resumen
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.
Descargas
Citas
Brun, A. L., Chabi, M. L., Picard, C., Mellot, F., y Grenier, P. A. (2021). Lung Transplantation: CT Assessment of Chronic Lung Allograft Dysfunction (CLAD). Diagnostics, 11(5), 817. https://doi.org/10.3390/diagnostics11050817
Chicho, B. T., y Sallow, A. B. (2021). A Comprehensive Survey of Deep Learning Models Based on Keras Framework. Journal of Soft Computing and Data Mining, 2(2), 49-62. https://doi.org/10.30880/JSCDM.2021.02.02.005
Hadi, M. A., y Ali, H. I. (2021). Control of COVID-19 system using a novel nonlinear robust control algorithm. Biomedical Signal Processing and Control, 64, 102317. https://doi.org/10.1016/j.bspc.2020.102317
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 Network. IEEE Access, 12, 97417–97427. https://doi.org/10.1109/ACCESS.2024.3428446
Liu, Y. E., Mabene, Y., Camelo, S., Rueda, Z. V., Pelissari, D. M., Dockhorn Costa Johansen, F., Huaman, M. A., Avalos-Cruz, T., Alarcón, V. A., Ladutke, L. M., Bergman, M., Cohen, T., Goldhaber-Fiebert, J. D., Croda, J., y Andrews, J. R. (2024). Mass incarceration as a driver of the tuberculosis epidemic in Latin America and projected effects of policy alternatives: a mathematical modelling study. The Lancet Public Health, 9(11), e841–e851. https://doi.org/10.1016/S2468-2667(24)00192-0
Lu, S. Y., Wang, S. H., Zhang, X., y Zhang, Y. D. (2022). TBNet: a context-aware graph network for tuberculosis diagnosis. Computer Methods and Programs in Biomedicine, 214, 106587. https://doi.org/10.1016/J.CMPB.2021.106587
Madyono, M., y Nabilah, A. (2025). Detection of Tuberculosis Disease in Lung X-ray Images Using the DenseNet121 Method. International Journal of Engineering, Science and Information Technology, 5(2), 379–385. https://doi.org/10.52088/ijesty.v5i2.853
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, M. A., y Chowdhury, M. E. H. (2020a). Reliable Tuberculosis Detection Using Chest X-Ray With Deep Learning, Segmentation and Visualization. IEEE Access, 8, 191586–191601. https://doi.org/10.1109/ACCESS.2020.3031384
Romero García, C. V., Saraguro Reyes, C. M., Mazon Olivo, B. E., y Morocho Román, R. F. (2025). Agricultura de precisión en la producción de banano. Revisión sistemática. Ingenium et Potentia, 7(12), 50–76. https://doi.org/10.35381/I.P.V7I12.4450
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. (2024). Actualización en la detección de la tuberculosis a través de pruebas moleculares. Alerta, Revista científica del Instituto Nacional de Salud, 7(2), 184–190. https://doi.org/10.5377/alerta.v7i2.17129
Schröer, C., Kruse, F., y Gómez, J. M. (2021). A systematic literature review on applying CRISP-DM process model. Procedia Computer Science, 181, 526–534. https://doi.org/10.1016/J.PROCS.2021.01.199
Sim, Y., Shin, W., y Lee, S. (2025). Automated code transformation for distributed training of TensorFlow deep learning models. Science of Computer Programming, 242, 103260. https://doi.org/10.1016/J.SCICO.2024.103260
Tamayo, J. J., y Sauñe, A. B. (2024). Soluciones de TI basadas en machine learning aplicables a problemas del sistema de salud peruano. Revista Científica: BIOTECH AND ENGINEERING, 4(1), 156–163. https://doi.org/10.52248/EB.VOL4ISS1.116
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 Network Design for Detection of Tuberculosis Cases From Chest X-Ray Images. Frontiers in Artificial Intelligence, 5, 827299. https://doi.org/10.3389/FRAI.2022.827299
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Derik Steven Aranda-Neira, Camily Ivanne Bravo-Flores, Bertha Eugenia Mazon-Olivo, Wilmer Braulio Rivas-Asanza
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
CC BY-NC-SA : Esta licencia permite a los reutilizadores distribuir, remezclar, adaptar y construir sobre el material en cualquier medio o formato solo con fines no comerciales, y solo siempre y cuando se dé la atribución al creador. Si remezcla, adapta o construye sobre el material, debe licenciar el material modificado bajo términos idénticos.
OAI-PMH URL: https://fundacionkoinonia.com.ve/ojs/index.php/ingeniumetpotentia/oai
