El análisis microbiómico de muestras del intestino humano es una herramienta beneficiosa para examinar el bienestar general y diversas condiciones de salud. El equilibrio de la flora intestinal es importante para prevenir infecciones crónicas del intestino y adiposidad, así como alteraciones patológicas conectadas a diversas enfermedades. La evaluación de los datos del microbioma basados en secuenciación de próxima generación (NGS) es compleja y su interpretación suele ser desafiante y puede ser ambigua. Por lo tanto, desarrollamos un enfoque innovador para la examinación y clasificación de datos microbiómicos en saludables y enfermos al visualizar los datos como un mapa de calor radial para aplicar la clasificación de imágenes por aprendizaje profundo (DL). La diferenciación entre 674 muestras saludables y 272 muestras de diabetes mellitus tipo 2 (T2D) se eligió como prueba de concepto. El modelo de clasificación de imágenes de red residual con 50 capas (ResNet-50) se entrenó y optimizó, proporcionando una discriminación con una precisión del 96%. Las muestras de personas saludables se detectaron con una especificidad del 97% y las de individuos con T2D con una sensibilidad del 92%. La clasificación de imágenes mediante DL de datos de microbioma de NGS permite una discriminación precisa entre individuos sanos y diabéticos. En el futuro, esta herramienta podría permitir la clasificación de distintas enfermedades y desequilibrios del microbioma intestinal y sus géneros causantes.