การตรวจสุขภาพประจำปีมีการเอกซเรย์ปอดเป็นจำนวนมาก ทำให้แพทย์ต้องใช้เวลาไปกับการวิเคราะห์ฟิล์มเอกซเรย์มากเกินไป ซึ่งจะเพิ่มโอกาสความคลาดเคลื่อนของการวินิจฉัยได้ ผู้พัฒนาจึงได้นำเสนอการแก้ปัญหาดังกล่าวด้วยการสร้างโปรแกรมคาดการณ์วัณโรคจากฟิล์มเอกซเรย์ โดยใช้เทคนิค image processing และ deep learning ร่วมกัน เพื่อแบ่งเบาภาระของแพทย์ และลดความคลาดเคลื่อนในการวินิจฉัย โดยกระบวนการทดลองแบ่งออกเป็น 3 ขั้นตอน ดังนี้ ขั้นตอนที่หนึ่ง คือ การศึกษาและวางแผน โดยได้ศึกษารายละเอียดของการเอกซเรย์ปอด รวมถึงประเภทและวิธีการนำไปใช้ของ image processing และ deep learning และปรึกษาผู้เชี่ยวชาญที่เกี่ยวข้อง ขั้นตอนที่สอง คือ การเขียนและพัฒนาโปรแกรมที่ใช้คาดการณ์วัณโรค โดยแต่ละโปรแกรม จะเกิดขึ้นจากการนำโมเดลของ deep learning แบบต่าง ๆ มาใช้ร่วมกับฟิลเตอร์ของ image processing ชนิดต่าง ๆ เพื่อหาโปรแกรมที่ให้ค่าความแม่นยำในการคาดการณ์มากที่สุด และขั้นตอนที่สาม คือ การทดสอบและปรับปรุงโปรแกรมจากผลลัพธ์และข้อผิดพลาดที่เกิดขึ้น ผลการการทดลองเบื้องต้นพบว่า เมื่อนำโมเดลของ deep learning แบบ Resnet มาใช้ร่วมกับฟิลเตอร์ชนิดต่าง ๆ จำนวน 4 ชนิด โดยนำมาฝึกด้วยจำนวนการฝึก 146 epochs เท่ากัน พบว่า โปรแกรมที่ใช้ฟิลเตอร์แบบ Non-local means, Median และ Bilateral ได้ค่าความแม่นยำเท่ากัน คือ ร้อยละ 95.918 และจากการสังเกต พบว่ารูปที่โปรแกรมทั้ง 3 ได้คาดการณ์ผิด เป็นรูปที่ซ้ำกันจำนวนมาก บ่งบอกว่าทั้ง 3 โปรแกรมนี้มีช่องโหว่หรือข้อผิดพลาดที่คล้ายกัน ส่วนโปรแกรมที่ 4 ซึ่งใช้ฟิลเตอร์แบบ Gaussian พบว่า ได้ค่าความแม่นยำคือ ร้อยละ 93.878 โดยจากการสังเกตพบว่า โปรแกรมดังกล่าวได้คาดการณ์ผิดเป็นจำนวนมาก แต่ในขณะเดียวกัน มีรูปหนึ่งที่โปรแกรมดังกล่าวสามารถคาดการณ์ได้ถูกต้อง แต่โปรแกรมที่เหลือกลับคาดการณ์ผิด ดังนั้น จะสังเกตได้ว่าฟิลเตอร์แบบ Gaussian สามารถลดสัญญาณรบกวนบางอย่างที่ 3 ฟิลเตอร์ที่เหลือไม่สามารถทำได้ ดังนั้น ผู้พัฒนามีแนวคิดว่า ในการนำไปใช้งานจริง การวิเคราะห์ควรจะต้องใช้หลายวิธีการร่วมกัน เพื่อให้การคาดการณ์มีความแม่นยำมากขึ้น ในอนาคต ผู้พัฒนาได้วางแผนในการพัฒนาโปรแกรมเพิ่มอีกจำนวนหนึ่ง เพื่อให้ได้โปรแกรมที่ให้ค่าความแม่นยำมากขึ้น รวมถึงหาฐานข้อมูลเพิ่มและหาเวลาในการฝึกที่เหมาะสม นอกจากนี้ ผู้พัฒนายังได้เล็งเห็นถึงการนำไปประยุกต์ใช้ โดยจะทำเป็นแอปพลิเคชันสำเร็จรูป เพื่อให้ง่ายต่อการใช้งานและตอบโจทย์การนำไปใช้ทางปฏิบัติมากขึ้น