Los modelos modernos de aprendizaje automático, como los transformadores de visión (ViT), han demostrado superar a las redes neuronales convolucionales (CNN) utilizando menos recursos computacionales. Aunque la tomografía computarizada (TC) es ahora el estándar para el diagnóstico por imagen de fracturas de la columna vertebral en adultos, analizar las TC manualmente es tanto laborioso como propenso a errores. Las técnicas de aprendizaje profundo (DL) pueden ofrecer métodos más efectivos para detectar fracturas, y con la creciente disponibilidad de recursos en la nube ubicuos, implementar dichos sistemas a nivel mundial se está volviendo más factible. Este estudio tiene como objetivo evaluar la efectividad de ViT para detectar fracturas de la columna cervical. Los datos recopilados durante la investigación indican que los modelos ViT son adecuados para la implementación de sistemas de detección automática a gran escala. El modelo logró una precisión del 98% y fue fácil de entrenar, además de ser fácilmente explicable.