Este estudio propone un enfoque de aprendizaje automático multimodal basado en máquinas para clasificar nódulos pulmonares solitarios (SPNs). El cáncer de pulmón de células no pequeñas (NSCLC), que se presenta principalmente como SPNs, es la principal causa de muertes relacionadas con el cáncer en todo el mundo. La detección temprana y el manejo adecuado de los SPNs son fundamentales para mejorar los resultados de los pacientes, lo que requiere metodologías diagnósticas eficientes. Mientras que las tomografías computarizadas (CT) y las exploraciones PET son fundamentales en el proceso diagnóstico, su interpretación sigue siendo propensa a errores humanos y retrasos en la implementación del tratamiento. Este estudio propone una red basada en aprendizaje automático para mitigar estas preocupaciones, integrando CT, PET y características extraídas manualmente de manera multimodal mediante la integración de múltiples modalidades de imágenes y características tabulares. Las imágenes de CT y PET son clasificadas por una red VGG19, mientras que las características adicionales de SPN en combinación con las salidas de VGG19 son procesadas por un modelo XGBoost para realizar el diagnóstico final. La metodología propuesta se evalúa utilizando datos de pacientes del Departamento de Medicina Nuclear del Hospital Universitario de Patras en Grecia. Se utilizaron 402 casos de pacientes con anotaciones humanas para validar internamente el modelo y 96 casos confirmados histopatológicamente para la evaluación externa. El modelo mostró un acuerdo del 97% con los lectores humanos y un rendimiento diagnóstico del 85% en el conjunto externo. También identificó las predicciones de VGG19 a partir de las imágenes de CT y PET, SUVmax y diámetro como predictores clave de malignidad. El estudio sugiere que combinar todas las modalidades de imagen disponibles y las características de SPN mejora el acuerdo del modelo con los lectores humanos y la eficiencia diagnóstica.