En las tareas de clasificación de imágenes, los modelos pueden ocasionalmente producir predicciones incorrectas, lo que puede llevar a consecuencias graves en aplicaciones críticas para la seguridad. Por ejemplo, si un modelo clasifica erróneamente un semáforo rojo como verde, podría resultar en un accidente de tráfico. Por lo tanto, es esencial evaluar el nivel de confianza asociado con cada predicción. Las predicciones acompañadas de altos puntajes de confianza son generalmente más confiables y pueden servir como base para la toma de decisiones informadas. Para abordar esto, el presente documento amplía el enfoque de escalado por bloques, desarrollado originalmente para estimar la precisión del clasificador en conjuntos de datos no etiquetados, para calcular puntajes de confianza para muestras individuales en la clasificación de imágenes. El método propuesto, denominado confianza de enmascaramiento por bloques (BMC), aplica una máscara deslizante llena de ruido aleatorio para ocluir regiones localizadas de la imagen de entrada. Cada variante enmascarada se clasifica y las predicciones se agregan a través de todas las variantes. La clase final se selecciona mediante votación mayoritaria, y se deriva un puntaje de confianza basado en la consistencia de las predicciones. Para evaluar la efectividad de BMC, realizamos experimentos comparándolo con el abandono de Monte Carlo (MC) y una línea base estándar en conjuntos de datos de imágenes de diferentes tamaños y niveles de distorsión. Si bien BMC no supera consistentemente las líneas base en condiciones estándar (dentro de la distribución), muestra claras ventajas en muestras distorsionadas y fuera de distribución (OOD). Específicamente, en el conjunto de datos distorsionado de nivel 3 iNaturalist 2018, BMC logra un error de calibración esperado mediano (ECE) de 0.135, en comparación con 0.345 para el abandono de MC y 0.264 para el enfoque estándar. En el conjunto de datos distorsionado de nivel 3 Places365, BMC produce un ECE de 0.173, superando al abandono de MC (0.290) y al estándar (0.201). Para muestras OOD en Places365, BMC alcanza una entropía máxima de 1.43, superior al 1.06 observado tanto para el abandono de MC como para el estándar. Además, combinar BMC con el abandono de MC conduce a mejoras adicionales. En Places365 distorsionado, el ECE mediano se reduce a 0.151, y la entropía máxima para muestras OOD aumenta a 1.73. En general, el método BMC propuesto ofrece un marco prometedor para la cuantificación de la incertidumbre en la clasificación de imágenes, particularmente en condiciones desafiantes o con cambios en la distribución.