Se propone aquí un método de aprendizaje automático para clasificar la ecografía pulmonar con el fin de proporcionar una herramienta de atención médica de apoyo para un diagnóstico seguro, rápido y preciso que también puede ser útil durante una pandemia como el SARS-CoV-2. Dadas las ventajas (por ejemplo, seguridad, rapidez, portabilidad, rentabilidad) que ofrece la tecnología de ultrasonido sobre otros exámenes (por ejemplo, radiografías, tomografías computarizadas, resonancias magnéticas), nuestro método fue validado en el conjunto de datos de ecografía pulmonar público más grande. Enfocándonos en la precisión y la eficiencia, nuestra solución se basa en una combinación adaptativa eficiente de dos modelos EfficientNet-b0 que alcanzan el 100% de precisión, lo que, según nuestro conocimiento, supera en al menos un 5% a los modelos anteriores más avanzados. La complejidad se ve limitada al adoptar elecciones de diseño específicas: combinación con una capa de combinación adaptativa, combinación realizada en las características profundas y un conjunto mínimo utilizando solo dos modelos débiles. De esta manera, el número de parámetros tiene el mismo orden de magnitud que un solo EfficientNet-b0 y el costo computacional (FLOPs) se reduce al menos en un 20%, duplicado por la paralelización. Además, un análisis visual de los mapas de saliencia en imágenes de muestra de todas las clases del conjunto de datos revela dónde un modelo débil inexacto centra su atención en comparación con uno preciso.