Revista Multidisciplinar Epistemología de las Ciencias
Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
DOI: https://doi.org/10.71112/5vy5w189
APLICACIÓN DE MODELOS DE INTELIGENCIA ARTIFICIAL EN LA
INTERPRETACIÓN DE RADIOGRAFÍAS DE TÓRAX PARA EL DIAGNÓSTICO DE
TUBERCULOSIS PULMONAR
APLICACIÓN O ARTIFICIAL INTELIGENCIE MODELOS IN CHEST X-RAY
INTERPRETATION FOR PULMONARY TUBERCULOSIS DIAGNOSIS
Nelson Magdiel López Díaz
Edgardo Josué Ramos Rivas
Jacqueline Stefany Ramos Torres
El Salvador
DOI: https://doi.org/10.71112/5vy5w189
15 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
Aplicación de modelos de inteligencia artificial en la interpretación de
radiografías de tórax para el diagnóstico de tuberculosis pulmonar
Aplicación o artificial Inteligencie modelos in mhest x-ray Interpretation for
pulmonary tuberculosis diagnosis
Nelson Magdiel López Díaz
a,*
nel070293@hmail.com
https://orcid.org/0009-0007-5012-2160
Edgardo Josué Ramos Rivas
a
joramedins@gmail.com
https://orcid.org/0000-0002-1820-1674
Jacqueline Stefany Ramos Torres
b
ramostorres964@gmail.com
https://orcid.org/0009-0004-3563-7324
*Autor de correspondencia: nel070293@hmail.com,
a
Instituto Nacional de Salud,
b
Universidad
de El Salvador, El Salvador.
RESUMEN
La tuberculosis pulmonar (TBP) continúa siendo una causa relevante de morbilidad y
mortalidad a nivel mundial. La inteligencia artificial (IA), especialmente mediante técnicas de
aprendizaje profundo, se ha posicionado como una herramienta prometedora para el
diagnóstico automatizado mediante radiografías de tórax. El objetivo de esta revisión de
alcance fue mapear y caracterizar la evidencia científica sobre modelos de IA aplicados al
diagnóstico de TBP. Se realizó una búsqueda sistemática en seis bases de datos
internacionales siguiendo la metodología del Instituto Joanna Briggs y las directrices PRISMA-
ScR. Se incluyeron veinte estudios publicados entre 2020 y 2025, predominando arquitecturas
CNN, híbridas con transformers y modelos de segmentación contextual. Los algoritmos
DOI: https://doi.org/10.71112/5vy5w189
16 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
alcanzaron exactitudes entre 96 % y 99.9 %. La IA mostró un desempeño superior al juicio
humano en entornos controlados, aunque persisten desafíos en estandarización, validación
clínica y representatividad geográfica.
Palabras clave: Tuberculosis pulmonar; Inteligencia artificial; Deep learning; Machine learning;
Revisión de alcance.
ABSTRACT
Pulmonary tuberculosis (PTB) remains a major cause of infectious mordidita and mortality
worldwide. Artificial intelligence (AI), particularly through deep learning techniques, has
emerged as a promising tool for automated diagnosis using chest X-ray imaging. This scoping
review aimed to map and characterize the available scientific evidence on AI models applied to
PTB diagnosis. A systematic search was conducted across six international databases following
the Joanna Briggs Institute methodology and PRISMA-ScR guidelines. Twenty studies
published between 2020 and 2025 were included, predominantly employing convolutional
neural networks (CNN), hybrid architectures with transformers, and contextual segmentation
models. Reported accuracies ranged from 96% to 99.9%. AI demonstrated diagnostic
performance superior to human interpretation under controlled conditions, although challenges
remain regarding standardization, clinical validation, and geographic representativeness.
Keywords: Pulmonary tuberculosis; Artificial inteligente; Deep Lear Ning; Machine Lear Ning;
Scoping review.
Recibido: 16 febrero 2026 | Aceptado: 30 junio 2026 | Publicado: 1 julio 2026
DOI: https://doi.org/10.71112/5vy5w189
17 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
INTRODUCCIÓN
La tuberculosis pulmonar (TBP) continúa siendo una de las principales causas de
morbilidad y mortalidad infecciosa a escala global. En 2023, la Organización Mundial de la
Salud (OMS) estimó 10.8 millones de casos y alrededor de 1.25 millones de muertes,
consolidándose como la infección más letal después de la fase aguda de la pandemia por
COVID-19 y evidenciando persistentes brechas en el diagnóstico oportuno y el acceso al
tratamiento, especialmente en países de ingresos bajos y medios (Global Tuberculosis Reporta
2024, s. f.; Tuberculosis (TB), s. f.). Esta carga epidemiológica ha impulsado la búsqueda de
herramientas tecnológicas que mejoren la detección temprana, reduzcan errores diagnósticos y
optimicen los recursos disponibles en los sistemas de salud.
En este escenario, la inteligencia artificial (IA), particularmente mediante el aprendizaje
profundo aplicado a radiografías de tórax (CXR), ha emergido como una alternativa
prometedora para el tamizaje y diagnóstico de la tuberculosis en contextos con escasez de
radiólogos y alta demanda de estudios. Desde 2021, la OMS ha recomendado el uso de
software de detección asistida por computadora (CAD) como apoyo para la interpretación de
CXR en programas de cribado. Estas guías, actualizadas con cada nueva versión tecnológica,
destacan que la combinación CXR + CAD es clave para reducir la brecha de casos no
detectados, siempre que la implementación sea calibrada y validada en los contextos locales
(Use o Computer-Aided Detección Software for Tuberculosis Screening, s. f.; WHO Aproes Six
Software Productos for Computer-Aided Detección o TB on Chest X-Ray, s. f.).
El desarrollo de la IA en medicina ha dejado de ser un concepto teórico para
convertirse en una herramienta aplicada de alto impacto. En campos como la radiología,
dermatología, oftalmología y patología digital, los modelos de aprendizaje automático y
profundo han demostrado capacidad para reconocer patrones complejos con precisión
comparable o incluso superior a la de los especialistas humanos. Esta revolución tecnológica
DOI: https://doi.org/10.71112/5vy5w189
18 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
está transformando los paradigmas del diagnóstico clínico, favoreciendo la detección temprana
de enfermedades, la reducción del tiempo diagnóstico y la consolidación de una medicina más
personalizada y basada en datos.
Entre 2020 y 2025, revisiones sistemáticas y metaanálisis han reportado que los
sistemas CAD basados en IA alcanzan desempeños diagnósticos elevados, con áreas bajo la
curva (AUC) frecuentemente superiores a 0.85 y resultados equiparables al juicio de expertos.
Evaluaciones comparativas de soluciones comerciales como CAD4TB, ox y Lunit INSIGHT han
mostrado rendimientos similares e incluso beneficios adicionales cuando el algoritmo se
combina con la lectura humana. Sin embargo, la literatura enfatiza la necesidad de validaciones
externas y calibraciones adaptadas a variables demográficas y epidemiológicas locales, como
edad, sexo y prevalencia de la enfermedad (Han et al., 2025; Reagan et al., 2024; Sung et al.,
2025).
Pese a estos avances, la investigación enfrenta desafíos metodológicos y de
implementación. Entre ellos destacan la dependencia de conjuntos de datos públicos
(Montgomery, Shenzhen, TBX11K) que no siempre representan la diversidad clínica real, la
heterogeneidad en los protocolos de entrenamiento y validación, las variaciones en las métricas
de desempeño (exactitud, sensibilidad, especificidad, AUC) y los cambios de dominio
relacionados con equipos o condiciones de imagen que afectan la generalización de los
modelos. A ello se suman desafíos éticos y operativos vinculados a la gobernanza de datos, la
transparencia algorítmica y la equidad de acceso (Calibrating Computer-Aided Detección (CAD)
for TB, s. f.; Index o public/Tuberculosis-Chest-X-ray-Datasets/, s. f.; TBX11K - Dataset Ninja, s.
f.; Vbookshelf - TB X-Rays with Bounding Boxes, s. f.; Jaeger et al., 2014; Santosh et al., 2022).
El incremento global en la demanda de estudios de imagen, la limitada disponibilidad
de personal especializado y la necesidad de mejorar la eficiencia diagnóstica consolidan el rol
de la IA como apoyo clínico viable. No obstante, la heterogeneidad de los modelos, la ausencia
DOI: https://doi.org/10.71112/5vy5w189
19 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
de estándares universales de validación y las limitaciones en la representatividad de datos
siguen siendo obstáculos para su implementación rutinaria en sistemas de salud de bajos
recursos.
Actualmente, no existen revisiones de alcance que sinteticen de manera integral la
evidencia disponible sobre los modelos de inteligencia artificial aplicados al diagnóstico de
tuberculosis en imágenes clínicas. Una búsqueda preliminar en MEDLINE y en Open Science
Framework no identificó revisiones sistemáticas ni de alcance recientes o en curso sobre el
tema. Ante este vacío, se plantea la necesidad de una revisión estructurada que compile la
evidencia existente, evalúe los avances tecnológicos y determine las brechas de conocimiento
que orienten futuras investigaciones, guías clínicas y políticas públicas.
El presente estudio tiene como objetivo mapear y caracterizar la evidencia científica
disponible sobre el uso de modelos de inteligencia artificial aplicados al diagnóstico de
tuberculosis pulmonar mediante imágenes médicas, describiendo los tipos de algoritmos (redes
neuronales convolucionales, híbridos y de segmentación), las bases de datos empleadas, las
métricas de desempeño y los desafíos metodológicos y clínicos asociados a su
implementación.
METODOLOGÍA
La presente investigación se desarrolló como una revisión de alcance (scoping
review) siguiendo la metodología del Instituto Joanna Briggs (JBI, 2020) para la síntesis de
evidencia científica, y se reporta conforme a las directrices PRISMA-ScR (Preferred Reporting
Items for Systematic Reviews and Meta-Analyses extension for Scoping Reviews). Este diseño
permitió mapear y describir la evidencia disponible sobre modelos de inteligencia artificial (IA)
aplicados al diagnóstico de tuberculosis pulmonar (TBP), identificar vacíos de conocimiento y
orientar futuras líneas de investigación (Tricco et al., 2018).
DOI: https://doi.org/10.71112/5vy5w189
20 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
El protocolo fue registrado en la plataforma Open Science Framework (OSF) bajo su
respectivo número identificador, y todas las etapas (búsqueda, selección y extracción de datos)
fueron realizadas de forma independiente por dos revisores, resolviéndose las discrepancias
mediante consenso o la intervención de un tercer evaluador.
Los criterios de inclusión se definieron de acuerdo con los componentes PCC
(Participantes, Concepto y Contexto) (James Cook University Library, 2021). Se incluyeron
estudios primarios que evaluaron a personas de cualquier edad o condición clínica sometidas a
procedimientos diagnósticos para TBP. Se consideraron investigaciones que describieron,
desarrollaron o validaron modelos de IA aplicados al diagnóstico o detección de tuberculosis
mediante análisis de imágenes médicas (radiografía de tórax, tomografía computarizada o
microscopía digital). Se excluyeron estudios en animales, revisiones narrativas, editoriales y
trabajos sin texto completo disponible.
El alcance geográfico fue global, incorporando estudios de diferentes contextos
asistenciales (hospitales, programas de cribado, laboratorios o entornos penitenciarios) y
fuentes de datos tanto públicas (Shenzhen, Montgomery, TBX11K, RSNA) como locales. No se
establecieron restricciones de idioma ni de fecha de publicación.
La búsqueda sistemática se realizó en seis bases de datos principales MEDLINE
(PubMed), Embase, Web o Science, IEEE Xplore, ACM Digital Library y Biblioteca Virtual en
Salud (BVS), complementada con búsquedas en Epistemonikos y Google Scholar. Se
emplearon descriptores MeSH y DeCS relacionados con “Tuberculosis”, “Artificial Intelligence”,
“Machine Learning”, “Deep Learning” y “Diagnosis”. Los registros identificados se gestionaron
mediante Zotero y Rayyan, donde se eliminaron duplicados y se aplicó un proceso de cribado
doble ciego por título, resumen y texto completo. Se documentaron los motivos de exclusión en
cada etapa y se presentó el flujo de selección según el diagrama PRISMA-ScR. La extracción
de datos se efectuó con una plantilla estructurada en Microsoft Excel, que incluyó variables
DOI: https://doi.org/10.71112/5vy5w189
21 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
bibliográficas, características metodológicas y métricas de desempeño (exactitud, sensibilidad,
especificidad, exactitud). La evaluación de calidad metodológica se realizó de manera
descriptiva utilizando las listas de verificación JBI correspondientes al tipo de estudio, sin
excluir artículos por su puntaje.
Finalmente, la síntesis de resultados se efectuó mediante análisis descriptivo y
narrativo, apoyado en gráficos, tablas y mapas elaborados en RStudio 4.4.1. Los modelos de IA
se agruparon por tipo de arquitectura (CNN, híbridos, segmentación contextual y ensambles),
generando una visión panorámica del desempeño, las tendencias tecnológicas y los principales
desafíos para su aplicación clínica.
RESULTADOS
Selección de estudios
Se identificaron un total de 1,892 registros a través de la búsqueda en bases de datos
(PubMed (n=780), Epistemonikos (n=643), Scielo/Lilacs (n=370), ACM Digital Library (n=17), e
IEEE Xplore (n=82)), de los cuales se eliminaron 256 duplicados antes del cribado. Los 1,636
registros resultantes fueron cribados, excluyéndose 1,541 por no cumplir con los criterios. Se
buscaron 95 informes para su recuperación, logrando recuperar 93 (n=2 no recuperados). Un
total de 93 informes fueron evaluados para su elegibilidad a texto completo, de los cuales se
excluyeron 73 por los siguientes motivos: no métricas (n=21), comorbilidades (n=10), diferente
resultado (n=8), previamente identificado (n=12), y no viable (n=22). Finalmente, 20 estudios
fueron incluidos en la revisión (Figura 1).
DOI: https://doi.org/10.71112/5vy5w189
22 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
Figura 1
Diagrama de flujo PRISMA 2020 para nuevas revisiones sistemáticas que incluyeron
búsquedas únicamente en bases de datos y registros
Características generales de los estudios incluidos
La revisión integró un total de 20 estudios científicos publicados entre 2020 y 2025,
con predominio de diseños experimentales, comparativos y de validación cruzada, orientados al
análisis del desempeño de modelos de IA para el diagnóstico de tuberculosis (TB) mediante
CXR y, en menor medida, mediante biomarcadores o datos sintéticos clínicos (Huy & Lin, 2023;
Salkade & Rathi, 2025; Sung et al., 2025; Tawsifur Rahman et al., 2020).
DOI: https://doi.org/10.71112/5vy5w189
23 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
Los estudios iniciales (2020–2021) exploraron arquitecturas convencionales de redes
convolucionales (CNN), mientras que los más recientes (2023–2025) incorporaron
transformers, autoatención y segmentación semántica (Geric et al., 2024; Qin et al., 2021;
Wong et al., 2022). Esta evolución tecnológica muestra un tránsito desde modelos de
clasificación binaria hacia sistemas explicables y multimodales.
El tamaño de las muestras varió entre 662 y más de 23 000 radiografías, evidenciando
la tendencia a combinar bases públicas para fortalecer la robustez de los modelos. La mayoría
de los trabajos aplicaron validación cruzada k-fold (5 a 10 particiones) y técnicas de transfer
Lear Ning, optimizando redes previamente entrenadas sobre grandes repositorios como
ImageNet.
Accesibilidad y tipo de implementación.
Un 65 % de los estudios empleó modelos de investigación abiertos, disponibles en
plataformas públicas (DenseNet, ResNet, VGG, Inception), mientras que el 35 % utilizó
software comercial validado como CAD4TB, qXR o Lunit INSIGHT CXR(Ali et al., 2022;
Khumang et al., 2025). Los primeros aportan transparencia metodológica, mientras que los
segundos representan herramientas de aplicación inmediata en programas de cribado de TB,
especialmente en entornos de alta carga epidemiológica.
Bases de datos y fuentes de entrenamiento
Las bases de datos más empleadas fueron las colecciones públicas Shenzhen (China)
y Montgomery County de la National Library o Medicine (EE. UU.), seguidas por TBX11K,
RSNA, NIH ChestX-ray(Yang et al., 2023), dataset locales, PadChest y JSRT(Kotei &
Thirunavukarasu, 2024; Nishanjan Ravin et al., 2022; Wong et al., 2022; Xu & Yuan, 2022). En
varios estudios, se integran múltiples conjuntos para reforzar la capacidad de generalización de
los modelos (Geric et al., 2024; Shabana Urooj et al., 2022; Rajaraman & Antani, 2020) (Figura
2).
DOI: https://doi.org/10.71112/5vy5w189
24 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
Figura 2
Principales bases de datos utilizadas en los modelos de diagnóstico de tuberculosis pulmonar
con imágenes de rayos X.
A nivel regional, destacan tres enfoques de obtención de datos:
Públicos y estandarizados, empleados principalmente en estudios de desarrollo
algorítmico (EE. UU., Canadá, Reino Unido).
Datos clínicos locales, usados en investigaciones aplicadas, como la validación
nacional en Filipinas (Khumang et al., 2025) (5,740 sujetos) o en Bangladesh, donde se
compararon cinco algoritmos comerciales (Rashidi et al., 2022) (23,954 imágenes).
Datos sintéticos, generados a partir de biomarcadores inflamatorios o variables
simuladas para explorar IA en contextos sin imágenes radiográficas (Yang et al., 2023).
Distribución geográfica y contexto de aplicación
Las investigaciones se distribuyen globalmente con una mayor concentración en Asia:
India (22.2%), China (16.9%), Bangladesh (11.1%), Filipinas (11.1%), Arabia Saudita (5.6%);
complementadas por contribuciones en América del Norte: EE. UU (11.1%), Canadá (5.6%),
Europa: Reino Unido (5.6%), Alemania (5.6%) y África: Ghana(5.6%) (Juan Carlos Valero
DOI: https://doi.org/10.71112/5vy5w189
25 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
Valero Gómez et al., 2021; Khumang et al., 2025; Eisentraut et al., 2025; Qin et al., 2021)
(Figura 3).
Figura 3
Representación geográfica de los países que utilizan modelos de inteligencia artificial como
diagnóstico de tuberculosis pulmonar en los artículos consultados
Los estudios provenientes de países de alta carga de TB, donde se evalúan sistemas
de IA integrados en programas nacionales de detección temprana (Filipinas y Bangladesh) se
realizaron en entornos clínicos reales. En entornos académicos o experimentales,
principalmente en universidades y laboratorios de ingeniería biomédica, los estudios se
realizaron en Canadá, EE. UU., Reino Unido y Arabia Saudita, dedicados al diseño y
optimización algorítmica. En este grupo se desarrollaron arquitecturas innovadoras como TB-
Net, DenseNet segmentado o Transformer–ResNet (Geric et al., 2024), con rendimientos
superiores al 99 %.
DOI: https://doi.org/10.71112/5vy5w189
26 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
Evolución temporal de los modelos de inteligencia artificial
La evolución tecnológica en los modelos de inteligencia artificial aplicados al
diagnóstico radiográfico de tuberculosis pulmonar ha sido progresiva entre 2020 y 2025.
Durante el período 2020–2021, predominaron las redes neuronales convolucionales
tradicionales, destacando arquitecturas como ResNet, VGG e Inception, que cimentaron las
bases del reconocimiento automatizado de patrones torácicos. En los años 2022–2023, se
introdujeron modelos de ensamble multimodal y estrategias de transferencia entre dominios,
orientadas a mejorar la generalización y precisión mediante la combinación de diversas fuentes
de información. Finalmente, en la etapa más reciente (2024–2025), surgió la integración de
transformers, mecanismos de autoatención y segmentación contextual, junto con el desarrollo
de enfoques de inteligencia artificial explicable (Explainable AI), que han permitido no solo
optimizar el rendimiento diagnóstico, sino también incrementar la transparencia e
interpretabilidad de los resultados clínicos (Figura 4). Este progreso temporal demuestra una
amplia mejora del campo de aplicación de la inteligencia artificial, los primeros modelos se
centran en la precisión numérica, mientras que los más recientes priorizan la explicabilidad, la
reducción de sesgos y la integración clínica.
Figura 4
Evolución de la precisión diagnóstica de los modelos de inteligencia artificial con
dataset de rayos X AP de pacientes con tuberculosis pulmonar en los últimos cinco años.
DOI: https://doi.org/10.71112/5vy5w189
27 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
Modelos de inteligencia artificial aplicados
Se identificaron cuatro grupos principales de arquitecturas aplicadas al diagnóstico de
tuberculosis:
1. Modelos basados en CNN clásicas:
Utilizan arquitecturas preentrenadas como ResNet, VGG19, DenseNet, InceptionV3 y
MobileNet, aplicadas mediante transfer Lear Ning para la clasificación binaria TB/No
TB(Hansun, Argha, Alinejad-Rokny, et al., 2025; Kotei & Thirunavukarasu, 2024; Nichel
Marquez et al., 2025; Saif et al., 2021; Singh et al., 2025; Rajaraman & Antani, 2020). Estos
modelos alcanzaron precisiones promedio entre 96 % y 99 %, destacando DenseNet y ResNet
como las más sólidas tras validación cruzada.
2. Modelos híbridos y con autoatención:
Incorporan mecanismos de self-atention y módulos de transformers integrados a redes
convolucionales (Qin et al., 2021; Wong et al., 2022). El modelo TB-Net (Geric et al., 2024) y el
Transformer–ResNet (Wong et al., 2022) demostraron mayor sensibilidad (99,5 %–100 %) y
mejor capacidad de interpretación de características radiológicas relevantes, gracias a su
mecanismo de atención explicable.
3. Modelos basados en segmentación y análisis contextual:
Se emplearon redes U-Net y DeepLabV3+ para segmentar lesiones pulmonares antes
de la clasificación, logrando reducir falsos positivos y mejorar la localización anatómica de las
lesiones (Kotei & Thirunavukarasu, 2024; Luca Eisentraut et al., 2025). El modelo de
segmentación contextual por etiquetas de fondo (contextual background label) alcanzó un DSC
(Dice Similarity Coefficient) = 88,68 % (grado de coincidencia entre áreas del modelo vs
evaluada manualmente por expertos) y una precisión = 98,64 %, superando métodos previos
de clasificación directa.
4. Modelos de ensamble y aprendizaje combinado:
DOI: https://doi.org/10.71112/5vy5w189
28 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
Varios estudios integraron múltiples modelos o características manuales y profundas
(Khumang et al., 2025; Rajaraman & Antani, 2020; Xu & Yuan, 2022). El enfoque de ensemble
cascade (Rajaraman & Antani, 2020, 2020) logró combinar características de redes
convolucionales con descriptores manuales (HOG, LBP, SVM), obteniendo exactitud > 99 % en
bases públicas. Asimismo, los ensambles de modelos multimodales (Shabana Urooj et al.,
2022; Tawsifur Rahman et al., 2020) y los de transferencia entre dominios mostraron una
reducción significativa de la varianza de predicción y mayor generalización.
Métricas de desempeño agrupadas
Las métricas de rendimiento se agruparon según el tipo de modelo y conjunto de
datos.
Exactitud (Accuracy): los modelos analizados oscilaron entre 96 % y 99,9 % (IC 95 %:
95,8–99,9), con los valores más altos observados en aquellos estudios que implementaron
estrategias de cross-validation y bases de datos extensas, superiores a 5 000 imágenes.
Sensibilidad (Recall): mostró un promedio global comprendido entre 95 % y 99 % (IC
95 %: 94,5–99,3), alcanzando resultados particularmente elevados en los modelos que
incorporan procesos de segmentación o mecanismos de autoatención (Geric et al., 2024; Luca
Eisentraut et al., 2025; Wong et al., 2022).
Especificidad: los valores fluctuaron entre 90 % y 99 % (IC 95 %: 88,7 – 99,2), aunque
los algoritmos probados en entornos clínicos reales, como los desarrollados en Filipinas
(Khumang et al., 2025), presentaron reducciones notables hasta 28 % (IC 95 %: 22,4–33,6),
atribuibles al sesgo poblacional y a la heterogeneidad del muestreo.
AUC (Área bajo la curva ROC): evidenció un desempeño robusto, con la mayoría de
los modelos reportando valores ≥ 0,98 (IC 95 %: 0,975 – 0,995); entre ellos, destacaron el TB-
Net (0,999) y el modelo Gaussian Filtering + ResNet50 (0,992)(Geric et al., 2024; Singh et al.,
2025).
DOI: https://doi.org/10.71112/5vy5w189
29 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
F1-score y precisión: los desarrollos más recientes (2024–2025) reportaron valores de
F1 > 0,96 (IC 95 %: 0,94–0,98), confirmando su estabilidad y bajo nivel de error tipo I y II. Los
modelos con mejor desempeño fueron DenseNet con imágenes segmentadas (Luca Eisentraut
et al., 2025), ResNet con filtro Gaussiano (Singh et al., 2025), TB-Net (Geric et al., 2024) y el
Transformer–ResNet (Wong et al., 2022), con exactitudes que oscilaron entre 98,6 % y 99,9 %
(IC 95 %: 98,1 – 99,9). En contraste, los algoritmos implementados en entornos comunitarios
(Khumang et al., 2025; Rashidi et al., 2022) mostraron exactitudes más modestas, entre 82 % y
90 % (IC 95 %: 80,5 – 91,2), aunque mantuvieron una sensibilidad elevada (> 90 %), lo que
refuerza su utilidad como herramientas de cribado inicial en programas de salud pública.
DISCUSIÓN
Los resultados de esta revisión de alcance evidencian un progreso sustancial en el
desarrollo de modelos de IA aplicados al diagnóstico de TBP. La mayoría de los estudios
incluidos se caracterizan por un enfoque experimental, con validaciones cruzadas y uso
predominante de CNN y arquitecturas derivadas del deep Lear Ning (Geric et al., 2024;
Hansun, Argha, Alinejad-Rokny et al., 2025; Huy & Lin, 2023; Nichel Marquez et al., 2025;
Singh et al., 2025). Este patrón coincide con las revisiones recientes que identifican a las CNN
como los modelos más empleados por su capacidad para extraer características visuales
complejas y alcanzar altos niveles de precisión en tareas de clasificación radiológica (Hansun,
Argha, Bakhshayeshi et al., 2025; Pongsuwun et al., 2025).
Sin embargo, el panorama actual muestra que la investigación sigue concentrada en
etapas de optimización algorítmica más que en validación clínica. Según Han et al. (2025), los
sistemas CAD-IA comerciales —CAD4TB, qXR, Lunit e InferRead— presentan sensibilidades
entre 86 % y 91 %, sin alcanzar de forma simultánea los umbrales de desempeño propuestos
por la OMS (≥ 90 % de sensibilidad y ≥ 70 % de especificidad). Aunque los modelos incluidos
DOI: https://doi.org/10.71112/5vy5w189
30 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
en esta revisión reportan exactitudes superiores (96 – 99.9 %), persisten desafíos de
generalización y transferencia a entornos clínicos reales.
Se observa además una tendencia emergente hacia modelos híbridos y multimodales,
que integran imágenes con variables clínicas, demográficas o bioquímicas, lo que incrementa la
aplicabilidad práctica y la robustez diagnóstica (Pongsuwun et al., 2025; Salkade & Rathi,
2025). Estos enfoques, que combinan deep Lear Ning con estrategias de autoatención o
transfer Lear Ning, confirman la evolución tecnológica descrita por Hansun et al. (2025), donde
el 80 % de las investigaciones recientes migran hacia arquitecturas con transformers y
mecanismos explicativos.
El uso recurrente de los datasets Shenzhen y Montgomery como fuente de
entrenamiento coincide con lo documentado por Hansun et al. (2023, 2025) y Kip et al. (2020),
quienes señalaron su predominio en más del 70 % de los estudios. Si bien estas bases
garantizan estandarización, su uso exclusivo limita la representatividad geográfica y puede
inducir sesgos de rendimiento. La integración reciente de múltiples bases y estrategias de
domain adaptation (Geric et al., 2024; Urooj et al., 2022) constituye un avance metodológico
relevante, ya que mejora la estabilidad del modelo ante variaciones regionales y técnicas (Zhan
et al., 2022).
La distribución geográfica de la evidencia mantiene una alta concentración en Asia,
particularmente en India, China y Bangladesh, lo que refleja tanto la carga epidemiológica
regional como la capacidad tecnológica. Este sesgo territorial, también descrito por Han et al.
(2025) y Pongsuwun et al. (2025), explica la escasa representación de regiones de África y
América Latina y la subinclusión de grupos vulnerables como mujeres embarazadas, niños o
coinfectados con VIH o diabetes. En consecuencia, la extrapolación de los resultados a otros
contextos debe interpretarse con cautela.
DOI: https://doi.org/10.71112/5vy5w189
31 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
En cuanto al desempeño, las métricas globales obtenidas (exactitud ≥ 96 %,
AUC ≥ 0.98) superan los valores promedio reportados en metaanálisis previos (Zhan et al.,
2022; Hansun, Argha, Bakhshayeshi et al., 2025). No obstante, estudios de campo en Filipinas
y Bangladesh evidencian reducciones significativas en la especificidad debido a variaciones en
las condiciones de exposición y resolución de las imágenes, lo que confirma la necesidad de
calibración local y validación prospectiva.
De manera general, los hallazgos de esta revisión son coherentes con los objetivos
planteados, al identificar, sintetizar y describir los modelos de IA aplicados al diagnóstico de
TBP y sus métricas de desempeño (Pillay et al., 2025). Además, refuerzan las
recomendaciones de la OMS (2024) sobre el potencial de la IA para fortalecer los programas
de tamizaje en países de alta carga, siempre que se asegure transparencia algorítmica,
equidad y validación multicéntrica (McClean et al., 2024).
Finalmente, deben considerarse algunas limitaciones metodológicas. Los estudios
incluidos presentan heterogeneidad en tamaños muestrales y métricas de validación, lo que
dificulta comparaciones directas. La mayoría fueron desarrollados en entornos controlados o
con datos sintéticos, restringiendo su aplicabilidad en escenarios reales de salud pública.
Además, la lectura radiológica humana empleada como patrón de referencia introduce sesgos
por subjetividad diagnóstica, y la dependencia de bases de datos abiertas —si bien garantiza
reproducibilidad— limita la diversidad clínica y geográfica. Estas limitaciones subrayan la
necesidad de investigaciones multicéntricas, prospectivas y con poblaciones diversas, que
permitan evaluar el desempeño de los modelos bajo condiciones operativas y éticas reales.
CONCLUSIONES
Los hallazgos de esta revisión de alcance confirman que la IA, especialmente
mediante arquitecturas de deep Lear Ning, transfer Lear Ning y ensemble Lear Ning, se ha
DOI: https://doi.org/10.71112/5vy5w189
32 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
consolidado como una herramienta eficaz y reproducible para el diagnóstico automatizado de
tuberculosis pulmonar (TBP) a partir de radiografías de tórax. La precisión promedio observada
(96–99.9 %) supera los valores globales agregados de sensibilidad y especificidad reportados
en metaanálisis internacionales.
Los avances metodológicos, como la segmentación semántica, los mecanismos de
self-atention y la adaptación entre dominios, han permitido reducir falsos positivos y mejorar la
capacidad de generalización entre poblaciones y equipos de imagen. Este progreso posiciona a
la IA no solo como un instrumento de apoyo diagnóstico, sino también como un componente
estratégico de los programas de tamizaje y control de TB en contextos de alta carga.
Sin embargo, la mayoría de los estudios revisados se desarrollaron en entornos
controlados o académicos, con escasa representación de poblaciones pediátricas, gestantes y
coinfectadas con VIH, lo que restringe la extrapolación de los resultados. La variabilidad en los
umbrales de decisión y la ausencia de estándares internacionales de validación clínica siguen
siendo desafíos críticos para su implementación en salud pública.
En conjunto, los resultados confirman la alta capacidad de los modelos para detectar
anormalidades radiográficas con precisión comparable o superior a la de los radiólogos
humanos, una mayor generalización mediante el uso de datasets multicéntricos y estrategias
de domain adaptation, y el potencial de la IA como herramienta complementaria en los
programas nacionales de control de tuberculosis, especialmente en entornos con recursos
limitados.
En síntesis, la IA aplicada a radiografías de tórax representa un avance técnico y
operativo relevante hacia la meta de la OMS de eliminar la tuberculosis como problema de
salud pública antes de 2035, siempre que su implementación se acompañe de validaciones
multicéntricas, transparencia algorítmica y regulación ética.
DOI: https://doi.org/10.71112/5vy5w189
33 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
Este estudio no recibió financiación específica de ningún organismo público, comercial
o sin fines de lucro. El trabajo fue realizado con recursos propios de los autores, como parte de
su línea de investigación en salud digital y vigilancia de enfermedades infecciosas.
Los autores declaran no tener conflictos de interés financieros, institucionales ni
personales que pudieran influir en la interpretación o publicación de los resultados de esta
investigación.
Declaración de conflicto de interés
Los autores declaran no tener ningún conflicto de interés relacionado con esta
investigación.
Declaración de contribución a la autoría
Nelson Magdiel López Díaz: metodología, conceptualización.
Edgardo Josué Ramos Rivas: redacción del borrador original, revisión y edición de la
redacción.
Jacqueline Stefany Ramos Torres: Metodología.
Declaración de uso de inteligencia artificial
Los autores declaran que utilizaron la Inteligencia Artificial como apoyo para este
artículo, y que esta herramienta no sustituyó de ninguna manera la tarea o proceso intelectual,
manifiestan y reconocen que este trabajo fue producto de un trabajo intelectual propio, que no
ha sido publicado en ninguna plataforma electrónica de inteligencia artificial.
REFERENCIAS
Ali, S. T., Lau, Y. C., Shan, S., Ryu, S., Du, Z., Wang, L., Xu, X.-K., Chen, D., Xiong, J., & Tae,
J. (2022). Prediction of upcoming global infection burden of influenza seasons after
relaxation of public health and social measures during the COVID-19 pandemic: A
DOI: https://doi.org/10.71112/5vy5w189
34 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
modelling study. The Lancet Global Health, 10(11), e1612–e1622.
https://doi.org/10.1016/S2214-109X(22)00358-8
Dataset Ninja. (n.d.). TBX11K. Retrieved October 9, 2025, from https://datasetninja.com/tbx-11k
Eisentraut, L., Mai, C., Hosch, J., Benecke, A., Penava, P., & Buettner, R. (2025). Deep
learning-based detection of tuberculosis using a Gaussian chest X-ray image filter as a
software lens. IEEE Access, 13, 36065–36081.
https://doi.org/10.1109/ACCESS.2025.3544923
Geric, C., Tavaziva, G., Breuninger, M., Dheda, K., Esmail, A., Scott, A., Kagujje, M., Muyoyeta,
M., Reither, K., & Khan, A. J. (2024). Breaking the threshold: Developing multivariable
models using computer-aided chest X-ray analysis for tuberculosis triage. International
Journal of Infectious Diseases, 147, 107221. https://doi.org/10.1016/j.ijid.2024.107221
Han, Z.-L., Zhang, Y.-Y., Li, J., Gao, S., Liu, W., Yang, W.-J., & Xing, Z.-H. (2025). A systematic
review and meta-analysis of artificial intelligence software for tuberculosis diagnosis
using chest X-ray imaging. Journal of Thoracic Disease, 17(5), 3223–3237.
https://doi.org/10.21037/jtd-2025-604
Hansun, S., Argha, A., Alinejad-Rokny, H., Alizadehsani, R., Gorriz, J. M., Liaw, S.-T., Celler, B.
G., & Marks, G. B. (2025). A new ensemble transfer learning approach with rejection
mechanism for tuberculosis disease detection. IEEE Transactions on Radiation and
Plasma Medical Sciences, 9(4), 433–446.
https://doi.org/10.1109/TRPMS.2024.3474708
Hansun, S., Argha, A., Bakhshayeshi, I., Wicaksana, A., Alinejad-Rokny, H., Fox, G. J., Liaw,
S.-T., Celler, B. G., & Marks, G. B. (2025). Diagnostic performance of artificial
intelligence-based methods for tuberculosis detection: Systematic review. Journal of
Medical Internet Research, 27, e69068. https://doi.org/10.2196/69068
DOI: https://doi.org/10.71112/5vy5w189
35 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
Hansun, S., Argha, A., Liaw, S.-T., Celler, B. G., & Marks, G. B. (2023). Machine and deep
learning for tuberculosis detection on chest X-rays: Systematic literature review.
Journal of Medical Internet Research, 25, e43154. https://doi.org/10.2196/43154
Huy, V. T. Q., & Lin, C.-M. (2023). An improved DenseNet deep neural network model for
tuberculosis detection using chest X-ray images. IEEE Access, 11, 42839–42849.
https://doi.org/10.1109/ACCESS.2023.3270774
Jaeger, S., Candemir, S., Antoni, S., Wáng, Y.-X. J., Lu, P.-X., & Thoma, G. (2014). Two public
chest X-ray datasets for computer-aided screening of pulmonary diseases. Quantitative
Imaging in Medicine and Surgery, 4(6), 475–477. https://doi.org/10.3978/j.issn.2223-
4292.2014.11.20
James Cook University Library. (2021, May 4). Scoping reviews: Define the question.
https://libguides.jcu.edu.au/scoping/define
JBI. (n.d.). JBI Scoping Review Network. Retrieved October 14, 2025, from
https://jbi.global/scoping-review-network
Khumang, S., Kansomkeat, S., Tanomkiat, W., & Intajag, S. (2025). Tuberculosis lesion
segmentation improvement in X-ray images using contextual background label. IEEE
Access, 13, 36611–36625. https://doi.org/10.1109/ACCESS.2025.3532631
Kip, H., Sieverink, F., van Gemert-Pijnen, L. J. E. W. C., Bouman, Y. H. A., & Kelders, S. M.
(2020). Integrating people, context, and technology in the implementation of a web-
based intervention in forensic mental health care: Mixed-methods study. Journal of
Medical Internet Research, 22(5), e16906. https://doi.org/10.2196/16906
Kotei, E., & 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
DOI: https://doi.org/10.71112/5vy5w189
36 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
Marquez, N., Carpio, E. J., Santiago, M. R., Calderon, J., Orillaza-Chi, R., Salanap, S. S., &
Stevens, L. (2025). Performance of chest X-ray with computer-aided detection powered
by deep learning-based artificial intelligence for tuberculosis presumptive identification
during case finding in the Philippines. BMC Global and Public Health.
https://doi.org/10.1186/s44263-025-00198-y
McClean, M., Panciu, T. C., Lange, C., Duarte, R., & Theis, F. (2024). Artificial intelligence in
tuberculosis: A new ally in disease control. Breathe, 20(3), 240056.
https://doi.org/10.1183/20734735.0056-2024
Nishanjan, R., Saha, S., Schweitzer, A., Elahi, A., Dako, F., Mollura, D., & Chapman, D. (2022).
Domain shift in AI-based TB screening with unsupervised domain adaptation. IEEE
Access, 10, 45997–46013. https://doi.org/10.1109/ACCESS.2022.3168680
Pillay, T. S., Khan, A. I., & Yenice, S. (2025). Artificial intelligence (AI) in point-of-care testing.
Clinica Chimica Acta, 574, 120341. https://doi.org/10.1016/j.cca.2025.120341
Pongsuwun, K., Puwarawuttipanit, W., Nguantad, S., Samart, B., Pollayut, U., Phuong, P. T. T.,
& Ruksakulpiwat, S. (2025). A systematic review of the accuracy of machine learning
models for diagnosing pulmonary tuberculosis: Implications for nursing practice and
implementation. Nursing and Health Sciences, 27(1), e70077.
https://doi.org/10.1111/nhs.70077
Qin, Z. Z., Ahmed, S., Sarker, M. S., Paul, K., Adel, A. S. S., Naheyan, T., Barrett, R., Banu, S.,
& Creswell, J. (2021). Tuberculosis detection from chest X-rays for triaging in a high
tuberculosis-burden setting: An evaluation of five artificial intelligence algorithms. The
Lancet Digital Health, 3(9), e543–e554. https://doi.org/10.1016/S2589-7500(21)00116-
3
Rahman, T., Khandakar, A., Abdul Kadir, M., Rejaul Islam, K., Islam, F., Mazhar, R., Hamid, T.,
Islam, M. T., Kashem, S., & Mahbub, Z. B. (2020). Reliable tuberculosis detection
DOI: https://doi.org/10.71112/5vy5w189
37 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
using chest X-ray with deep learning, segmentation and visualization. IEEE Access, 8,
191586–191601. https://doi.org/10.1109/ACCESS.2020.3031384
Rajaraman, S., & Antani, S. K. (2020). Modality-specific deep learning model ensembles toward
improving TB detection in chest radiographs. IEEE Access, 8, 27318–27326.
https://doi.org/10.1109/ACCESS.2020.2971257
Rashidi, H. H., Khan, I. H., Dang, L. T., Albahra, S., Ratan, U., Chadderwala, N., To, W.,
Srinivas, P., Wajda, J., & Tran, N. K. (2022). Prediction of tuberculosis using an
automated machine learning platform for models trained on synthetic data. Journal of
Pathology Informatics, 13, 100172. https://doi.org/10.4103/jpi.jpi_75_21
Reagan, E. D., Mrema, L. E., Ntinginya, N. E., Biraro, I. A., van Crevel, R., & Critchley, J. A.
(2024). Accuracy of computer-assisted detection in screening people with diabetes
mellitus for active tuberculosis: A systematic review. medRxiv, 2024.12.10.24318764.
https://doi.org/10.1101/2024.12.10.24318764
Saif, A. F. M., Imtiaz, T., Shahnaz, C., Zhu, W.-P., & Ahmad, M. O. (2021). Exploiting cascaded
ensemble of features for the detection of tuberculosis using chest radiographs. IEEE
Access, 9, 112388–112399. https://doi.org/10.1109/ACCESS.2021.3102077
Salkade, S. A., & Rathi, S. V. (2025). An adaptive convolution neural network model for
tuberculosis detection and diagnosis using semantic segmentation. Polish Journal of
Radiology, 90, e124–e137. https://doi.org/10.5114/pjr/200628
Santosh, K., Allu, S., Rajaraman, S., & Antani, S. (2022). Advances in deep learning for
tuberculosis screening using chest X-rays: The last five years review. Journal of
Medical Systems, 46(11), 82. https://doi.org/10.1007/s10916-022-01870-8
Singh, U. P., Kumari, B., Siddiqui, E. A., & Tanveer, A. (2025). An innovative approach to
classifying various phases of tuberculosis using an improved spiking neural network
applied to X-ray images. In Proceedings of the 6th International Conference on
DOI: https://doi.org/10.71112/5vy5w189
38 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
Information Management & Machine Intelligence (ICIMMI ’24) (pp. 1–8). Association for
Computing Machinery. https://doi.org/10.1145/3745812.3745850
Sung, J., Kitonsa, P. J., Na Lutaaya, A., Isooba, D., Birabwa, S., Ndyabayunga, K., Okura, R.,
Magezi, J., Nantale, D., & Mugabi, I. (2025, April 9). Performance of universal and
stratified computer-aided detection thresholds for chest X-ray-based tuberculosis
screening: A cross-sectional diagnostic accuracy study. medRxiv,
2025.04.09.25325458. https://doi.org/10.1101/2025.04.09.25325458
Tricco, A. C., Lillie, E., Zarin, W., O’Brien, K. K., Colquhoun, H., Levac, D., Moher, D., Peters,
M. D. J., Horsley, T., & Weeks, L. (2018). PRISMA extension for scoping reviews
(PRISMA-ScR): Checklist and explanation. Annals of Internal Medicine, 169(7), 467–
473. https://doi.org/10.7326/M18-0850
U.S. National Library of Medicine. (n.d.). Index of public/Tuberculosis-Chest-X-ray-Datasets/.
Retrieved October 9, 2025, from https://data.lhncbc.nlm.nih.gov/public/Tuberculosis-
Chest-X-ray-Datasets/index.html
Urooj, S., Suchitra, S., Krishnasamy, L., Sharma, N., & Pathak, N. (2022). Stochastic learning-
based artificial neural network model for an automatic tuberculosis detection system
using chest X-ray images. IEEE Access, 10, 103632–103643.
https://doi.org/10.1109/ACCESS.2022.3208882
Valero Valero Gómez, J. C., Zúñiga Incalla, A. P., & Clares Perca, J. C. (2021). Detección de la
tuberculosis con algoritmos de deep learning en imágenes de radiografías del tórax.
Revista Vive, 4(12), 624–633. https://doi.org/10.33996/revistavive.v4i12.119
Vbookshelf. (n.d.). TBX11K simplified – TB X-rays with bounding boxes. Retrieved October 9,
2025, from https://www.kaggle.com/datasets/vbookshelf/tbx11k-simplified
Wong, A., Lee, J. R., Rahman-Khan, H., Sabri, A., Alaref, A., & Liu, H. (2022). TB-Net: A
tailored, self-attention deep convolutional neural network design for detection of
DOI: https://doi.org/10.71112/5vy5w189
39 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
tuberculosis cases from chest X-ray images. Frontiers in Artificial Intelligence, 5,
827299. https://doi.org/10.3389/frai.2022.827299
World Health Organization. (2023). Use of computer-aided detection software for tuberculosis
screening: WHO policy statement. Retrieved October 9, 2025, from
https://www.who.int/publications/i/item/9789240110373
World Health Organization. (2024). Calibrating computer-aided detection (CAD) for TB.
Retrieved October 9, 2025, from https://tdr.who.int/tuberculosis-research/calibrating-
computer-aided-detection-for-TB
World Health Organization. (2024). Global tuberculosis report 2024. Retrieved October 9, 2025,
from https://www.who.int/teams/global-programme-on-tuberculosis-and-lung-health/tb-
reports/global-tuberculosis-report-2024
World Health Organization. (2025, March 14). Tuberculosis (TB). Retrieved October 9, 2025,
from https://www.who.int/news-room/fact-sheets/detail/tuberculosis
World Health Organization. (2025, June 11). WHO approves six software products for
computer-aided detection of TB on chest X-ray. Retrieved October 9, 2025, from
https://www.who.int/news/item/11-06-2025-who-approves-six-software-products-for-
computer-aided-detection-of-tb-on-chest-x-ray
Xu, T., & Yuan, Z. (2022). Convolution neural network with coordinate attention for the
automatic detection of pulmonary tuberculosis images on chest X-rays. IEEE Access,
10, 86710–86717. https://doi.org/10.1109/ACCESS.2022.3199419
Yang, Y., Xia, L., Liu, P., Yang, F., Wu, Y., Pan, H., Hou, D., Liu, N., & Lu, S. (2023). A
prospective multicenter clinical research study validating the effectiveness and safety
of a chest X-ray-based pulmonary tuberculosis screening software JF CXR-1 built on a
convolutional neural network algorithm. Frontiers in Medicine, 10, 1195451.
https://doi.org/10.3389/fmed.2023.1195451
DOI: https://doi.org/10.71112/5vy5w189
40 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 3, 2026, julio-septiembre, Edición Especial
Zhan, Y., Wang, Y., Zhang, W., Ying, B., & Wang, C. (2022). Diagnostic accuracy of the artificial
intelligence methods in medical imaging for pulmonary tuberculosis: A systematic
review and meta-analysis. Journal of Clinical Medicine, 12(1), 303.
https://doi.org/10.3390/jcm12010303
