La detección temprana de la tuberculosis juega un papel crítico en el manejo efectivo del tratamiento. Al igual que la tuberculosis activa, la identificación temprana de formas inactivas como la tuberculosis latente o curada es esencial para prevenir futuras reactivaciones. En este estudio, desarrollamos un modelo de clasificación binaria basado en aprendizaje profundo para distinguir entre casos de tuberculosis activa e inactiva. Nuestra arquitectura de modelo incorporó una espina dorsal EfficientNet con una cabeza de clasificación MLP-Mixer y fue ajustada en un conjunto de datos anotado por el Hospital Cheonan Soonchunhyang. Para mejorar el rendimiento predictivo, aplicamos aprendizaje por transferencia utilizando pesos pre-entrenados en el conjunto de datos JFT-300M a través del método de entrenamiento de Noisy Student. A diferencia de los modelos convencionales, nuestro enfoque logró resultados competitivos, con una precisión del 96,3%, una sensibilidad del 95,9% y una especificidad del 96,6% en el conjunto de pruebas. Estos resultados prometedores sugieren que nuestro modelo podría servir como un activo valioso para apoyar la toma de decisiones clínicas y agilizar los flujos de trabajo de detección temprana de la tuberculosis latente.