Las palpitaciones, opresión en el pecho y falta de aliento son indicaciones tempranas de cardiomegalia, que es una enfermedad asintomática. Sus causas y estrategias de tratamiento son diferentes debido a indicaciones divergentes. Por lo tanto, la detección temprana de los niveles de cardiomegalia puede ser utilizada para establecer una estrategia para la administración de fármacos y tratamientos quirúrgicos. En este estudio, estableceremos un clasificador basado en una red neuronal convolucional (CNN) unidimensional (1D) multicapa para la detección automática de niveles de cardiomegalia basada en la clasificación de imágenes de radiografías de tórax (CXR) en vista posteroanterior frontal. Usando dos procesos de convolución de 1D en la capa de agrupación convolucional, los mapas de características bidimensionales (2D) pueden convertirse en señales de características, lo que puede mejorar sus características para identificar la condición normal y los niveles de cardiomegalia. En la capa de clasificación, se utiliza un clasificador basado en análisis de relaciones de gris, que tiene una operación matemática directa, para cribar los niveles de cardiomegalia. Basado en los conjuntos de datos recopilados de la base de datos de imágenes de CXR del Instituto Nacional de Salud, el clasificador propuesto basado en CNN 1D multicapa con validación cruzada de K-fold tiene resultados prometedores para el propósito médico previsto, con una precisión del 97.80%, una recuperación del 98.20%, una exactitud del 98.00% y una puntuación F1 de 0.9799.