El floreciente campo de la imagen médica ha presenciado un cambio de paradigma con la integración de la inteligencia artificial, en particular el aprendizaje profundo, mejorando la precisión diagnóstica y acelerando el análisis de imágenes de Tomografía Computarizada (TC). Este estudio presenta un innovador modelo impulsado por Perceptrón Multicapa, DiagnosticMLP, que evita la intensidad computacional de los mecanismos basados en atención, favoreciendo una arquitectura sin atención que aprovecha las Transformadas de Fourier para la captura de información global y unidades de compuertas espaciales para enfatizar las características locales. La metodología de este estudio abarca una estrategia sofisticada de aumento y parcheo a nivel de entrada, seguida de una serie de bloques MLP diseñados para extraer características jerárquicas y relaciones espaciales, culminando en una capa de promediado global antes de la clasificación. Evaluado frente a modelos basados en MLP de última generación, incluyendo MLP-Mixer, FNet, gMLP y ResMLP en diversos y extensos conjuntos de datos de TC, incluidos escaneos abdominales y torácicos, DiagnosticMLP demostró una notable capacidad para converger eficientemente, con precisión competitiva, puntajes F1 y métricas de AUC. Notablemente, en conjuntos de datos que presentan trastornos renales y abdominales, el modelo mostró capacidades superiores de generalización, respaldadas por su diseño único que aborda la complejidad inherente en la imagen de TC. Los hallazgos en términos de precisión y equilibrio de precisión-recuperación sitúan a DiagnosticMLP como una alternativa excepcional que supera a los modelos que dependen de la atención, allanando el camino para herramientas de IA simplificadas, eficientes y escalables en diagnósticos médicos, reforzando el potencial de la medicina de precisión aumentada por IA sin depender de arquitecturas basadas en atención.