El síndrome de distrés respiratorio agudo (SDRA) es una lesión pulmonar potencialmente mortal para la cual el diagnóstico temprano y el tratamiento basado en evidencia pueden mejorar los resultados del paciente. Las radiografías de tórax (CXR) desempeñan un papel crucial en la identificación del SDRA; sin embargo, su interpretación puede ser difícil debido a características radiológicas no específicas, incertidumbre en la estadificación de la enfermedad y variabilidad entre expertos clínicos, lo que conduce a problemas prominentes de ruido en las etiquetas. Para abordar estos desafíos, este estudio propone un enfoque novedoso que aprovecha la incertidumbre de la etiqueta de múltiples anotadores para mejorar la detección de SDRA en imágenes de CXR. La información de incertidumbre de la etiqueta se codifica y se suministra al modelo como información privilegiada, una forma de información exclusivamente disponible durante la etapa de entrenamiento y no durante la inferencia. Al incorporar la red de Transferencia y Marginalizada (TRAM) y mecanismos efectivos de transferencia de conocimiento, el modelo de detección logró una AUROC de prueba media de 0.850, un AUPRC de 0.868 y un puntaje F1 de 0.797. Después de eliminar los casos de prueba equívocos, el modelo alcanzó una AUROC de 0.973, un AUPRC de 0.971 y un puntaje F1 de 0.921. Como un nuevo enfoque para abordar el ruido en las etiquetas en el análisis de imágenes médicas, el modelo propuesto ha demostrado superioridad en comparación con el TRAM original, la Estimación de Confusión y el entrenamiento de etiquetas agregadas por media. Los hallazgos generales resaltan la efectividad de los métodos propuestos para abordar el ruido en las etiquetas en las CXR para la detección de SDRA, con potencial para su uso en otros dominios de imágenes médicas que enfrentan desafíos similares.