La decisión de extubar a los pacientes con ventilación mecánica invasiva es crítica; sin embargo, el desempeño de los clínicos en identificar a los pacientes para liberar del ventilador es pobre. Se han desarrollado predictores basados en Machine Learning utilizando datos tabulares; sin embargo, estos no logran capturar el amplio espectro de datos disponibles. Aquí, desarrollamos y validamos un modelo basado en deep learning utilizando radiografías de tórax recopiladas rutinariamente para predecir el resultado de la extubación intentada. Incluimos 2288 pacientes consecutivos ingresados en la UCI Médica de un centro médico académico urbano, que fueron sometidos a ventilación mecánica invasiva, con al menos una radiografía de tórax intubada, y un intento de extubación documentado. Se tomó la última radiografía de tórax antes de la extubación de cada paciente y se dividió en conjuntos de entrenamiento/prueba 79/21, luego se utilizó transfer learning con validación cruzada k-fold en una arquitectura de deep learning pre-entrenada ResNet50. Los tres mejores modelos se ensamblaron para formar un clasificador final. Se utilizó la técnica Grad-CAM para visualizar las regiones de la imagen que impulsan las predicciones. El modelo logró un AUC de 0.66, un AUPRC de 0.94, una sensibilidad de 0.62 y una especificidad de 0.60. El rendimiento del modelo mejoró en comparación con el Índice de Respiración Superficial Rápida (AUC 0.61) y el único estudio previo identificado en este dominio (AUC 0.55), pero aún queda un margen significativo para mejorar y experimentar.