El desarrollo de la tecnología deepfake, basada en el aprendizaje profundo, ha facilitado la creación de imágenes de rostros humanos falsos que son indistinguibles de la realidad. Muchos métodos y programas deepfake están públicamente disponibles y pueden ser utilizados maliciosamente, por ejemplo, creando cuentas falsas en redes sociales con imágenes de rostros humanos inexistentes. Para prevenir el uso indebido de estas imágenes falsas, se han propuesto varios métodos de detección de deepfakes como medida de contramedida y han demostrado ser capaces de detectar deepfakes con alta precisión cuando se ha identificado el modelo de deepfake objetivo. Sin embargo, los enfoques existentes no son robustos a la edición parcial y/o la ocultación causada por máscaras, gafas o edición manual, lo que puede provocar una caída inaceptable en la precisión. En este documento, proponemos un enfoque de detección de deepfake novedoso basado en una configuración dinámica de un modelo de conjunto que consta de detectores de deepfake. Estos detectores de deepfake se basan en redes neuronales convolucionales (CNN) y están especializados en detectar deepfakes centrándose en partes individuales del rostro. Demostramos que una selección dinámica de partes del rostro y un conjunto de modelos CNN seleccionados es efectivo para lograr una detección de deepfake altamente precisa incluso en imágenes editadas parcialmente y ocultas.