Durante las últimas décadas, se han dedicado esfuerzos intensivos a la extracción de conocimientos útiles a partir de grandes volúmenes de datos médicos empleando técnicas avanzadas de aprendizaje automático y minería de datos. Los avances en radiografía digital de tórax han permitido a centros de investigación y médicos acumular grandes repositorios de imágenes clasificadas (etiquetadas) y en su mayoría de imágenes no clasificadas (sin etiquetar) de expertos humanos. Métodos de aprendizaje automático como algoritmos de aprendizaje semi-supervisado se han propuesto como una nueva dirección para abordar el problema de la escasez de datos etiquetados disponibles, explotando la información de clasificación explícita de los datos etiquetados con la información oculta en los datos no etiquetados. En el presente trabajo, proponemos un nuevo algoritmo de aprendizaje semi-supervisado en conjunto para la clasificación de anormalidades pulmonares en radiografías de tórax basado en un nuevo esquema de votación ponderada. El algoritmo propuesto asigna un vector de pesos a cada clasificador componente del conjunto basado en su precisión en cada clase. Nuestros experimentos numéricos ilustran la eficiencia de la metodología de conjunto propuesta frente a otros métodos de clasificación de vanguardia.