Abstract
Заболевание туберкулеза в настоящее время остается одной из наиболее распространенных инфекционных заболеваний, требующих своевременной и точной диагностики. В связи с этим, в данной работе представлено исследование, направленное на разработку и сравнительную оценку моделей глубокого обучения для автоматического обнаружения туберкулеза на рентгеновских изображениях органов грудной клетки. Целью исследования является анализ эффективности моделей семейств YOLOv8 и RT-DETR для задачи детекции патологических изменений и определение наиболее точной и устойчивой архитектуры. Исходный набор данных, включающий 2441 изображение, был расширен до 5859 с применением методов аугментации и размечен с использованием ограничивающих рамок (bounding boxes) в среде Roboflow. В рамках исследования были обучены и сравнительно проанализированы модели YOLOv8 и RT-DETR. Оценка качества проводилась по метрикам Precision, Recall, F1-score и mAP. Экспериментальные результаты показали, что наилучшие показатели продемонстрировала модель YOLOv8m (Precision = 0.94, Recall = 0.91, mAP50= 0.95, mAP50-95 = 0.72), обеспечившая оптимальный баланс точности и вычислительной эффективности. На основе данной модели был разработан интеллектуальный агент для автоматического анализа медицинских изображений. Полученные результаты подтверждают перспективность применения моделей YOLO в задачах компьютерной диагностики и поддержки принятия врачебных решений.