Las enfermedades pulmonares, incluida la neumonía, representan un desafío significativo para la salud y a menudo se diagnostican mediante radiografías. Este estudio investiga la efectividad de la inteligencia artificial (IA) en la mejora de las capacidades de diagnóstico de la imagenología por rayos X. Utilizando Python y el marco de trabajo PyTorch, desarrollamos y entrenamos varios modelos de aprendizaje profundo basados en arquitecturas DenseNet (DenseNet121, DenseNet169 y DenseNet201) en un conjunto de datos que comprende 5856 imágenes de rayos X anotadas clasificadas en dos categorías: Normal (Saludable) y Neumonía. Cada modelo fue evaluado en su capacidad para clasificar imágenes con métricas que incluyen precisión binaria, sensibilidad y especificidad. Los resultados demostraron tasas de precisión del 92% para Normal y del 97% para Neumonía. Los modelos también mostraron mejoras significativas en la precisión diagnóstica y redujeron el tiempo para la detección de enfermedades en comparación con los métodos tradicionales. Este estudio subraya el potencial de integrar redes neuronales convolucionales (CNN) con la imagenología médica para mejorar la precisión diagnóstica y apoyar la toma de decisiones clínicas en la gestión de enfermedades pulmonares. Se alienta a realizar más investigaciones para refinar estos modelos y explorar su aplicación en otros dominios de imagenología médica.