La práctica de las redes neuronales convolucionales profundas en el campo de la medicina ha congregado un inmenso éxito y significado en las situaciones actuales. Anteriormente, los investigadores han desarrollado numerosos modelos para detectar anomalías en radiografías musculoesqueléticas de las extremidades superiores, pero no lograron alcanzar una precisión respetable en el caso de las radiografías de los dedos. En este artículo se propone una nueva arquitectura híbrida basada en redes neuronales profundas llamada ComDNet-512 para detectar de manera eficiente las anomalías óseas en la radiografía musculoesquelética de un paciente. ComDNet-512 comprende una estructura de pipeline de tres fases: compresión, entrenamiento de la red neuronal densa y redimensionamiento progresivo. El modelo híbrido ComDNet-512 se entrena con muestras de radiografías de dedos para hacer una predicción binaria, es decir, huesos normales o anormales. El modelo propuesto mostró resultados fenomenales cuando se validó cruzadamente en las muestras de prueba de pacientes con artritis y ofrece muchos resultados superiores en comparación con las prácticas de vanguardia. El modelo es capaz de lograr un área bajo la curva ROC (AUC) igual a 0.894 (sensibilidad = 0.941 y especificidad = 0.847). Los valores de Precisión, Recall, F1 Score y Kappa, registrados como 0.86, 0.94, 0.89 y 0.78, respectivamente, son mejores que los de cualquier modelo anterior. Con la creciente aparición de enormes casos de condiciones musculoesqueléticas en las personas, las soluciones computacionales basadas en aprendizaje profundo pueden desempeñar un papel importante en la realización de detecciones automatizadas en el futuro.