En este trabajo, proponemos un sistema CAD (diagnóstico asistido por computadora) utilizando modelos avanzados de aprendizaje profundo y técnicas de visión por computadora que pueden mejorar la precisión diagnóstica y reducir los riesgos de transmisión utilizando la arquitectura de detección de objetos YOLOv7 (You Only Look Once, versión 7). El sistema propuesto es capaz de detectar objetos con precisión, lo que proporciona un cuadro delimitador que denota el área en las radiografías que muestra alguna posibilidad de TB (tuberculosis). El sistema utiliza CNNs (redes neuronales convolucionales) y modelos YOLO para la detección de la consolidación de patrones cavitarios de las lesiones y su detección, respectivamente. Para este estudio, experimentamos con el conjunto de datos TBX11K, que es un conjunto de datos de acceso público. En nuestro experimento, empleamos pesos de clase y técnicas de aumento de datos para abordar el desequilibrio de datos presente en el conjunto de datos. Esta técnica muestra una mejora prometedora en el rendimiento del modelo y, por lo tanto, una mejor generalización. Además, también muestra que el modelo desarrollado logró resultados prometedores con un mAP (precisión media promedio) de 0.587, abordando el desequilibrio de clases y ofreciendo un rendimiento robusto tanto para la detección de TB pulmonar obsoleta como activa. Así, nuestro sistema CAD, basado en metodologías de aprendizaje profundo y visión por computadora de vanguardia, no solo avanza en la precisión diagnóstica, sino que también contribuye a la mitigación de los riesgos de transmisión de TB. La mejora sustancial en el rendimiento del modelo y la capacidad de manejar el desequilibrio de clases subrayan el potencial de nuestro enfoque para aplicaciones de detección de TB en el mundo real.