Hoy en día, el diagnóstico basado en imágenes médicas ha avanzado significativamente en el mundo. El número de estudios realizados en este campo es enorme y están produciendo hallazgos con un impacto significativo en la humanidad. El número de bases de datos creadas en este campo está aumentando rápidamente. Examinar estos datos es crucial para encontrar patrones subyacentes importantes. La clasificación es un método efectivo para identificar estos patrones. Este trabajo propone una investigación profunda y análisis para evaluar y diagnosticar datos de imágenes médicas utilizando varios métodos de clasificación y evaluar críticamente la efectividad de estos métodos. Los métodos de clasificación utilizados incluyen algoritmos de aprendizaje automático (ML) como redes neuronales artificiales (ANN), máquina de vectores de soporte (SVM), vecino más cercano (KNN), árbol de decisión (DT), bosque aleatorio (RF), Bayes ingenuo (NB), regresión logística (LR), subespacio aleatorio (RS), lógica difusa y un modelo de red neuronal convolucional (CNN) de aprendizaje profundo (DL). Aplicamos estos métodos a dos tipos de conjuntos de datos: conjuntos de datos de radiografías de tórax para clasificar imágenes pulmonares en normales y anormales, y conjuntos de datos de dermatoscopia de cáncer de piel de melanoma para clasificar lesiones cutáneas en benignas y malignas. Este trabajo tiene como objetivo presentar un modelo que ayude a investigar y evaluar la efectividad de los enfoques de ML y DL utilizando CNN en la clasificación de las bases de datos médicas y comparar estos métodos para identificar los más robustos que produzcan el mejor rendimiento en el diagnóstico. Nuestros resultados han demostrado que los algoritmos de clasificación utilizados tienen buenos resultados en términos de medidas de rendimiento.