Las neoplasias mieloproliferativas, especialmente los subtipos negativos para el cromosoma Filadelfia (Ph-negativos) como la trombocitemia esencial, la policitemia vera y la mielofibrosis primaria, presentan desafíos diagnósticos debido a características morfológicas superpuestas y heterogeneidad clínica. Los enfoques diagnósticos tradicionales, incluido el análisis de imágenes e histopatología, a menudo se ven limitados por la variabilidad entre observadores, el retraso en el diagnóstico e interpretaciones subjetivas. Para abordar estas limitaciones, proponemos un marco novedoso que integra técnicas de extracción de características manuales y automáticas para mejorar la clasificación de neoplasias mieloproliferativas Ph-negativas. Las características manuales capturan características morfológicas y texturales interpretables. En contraste, las características automáticas utilizan modelos de aprendizaje profundo para identificar patrones complejos en imágenes histopatológicas. Las características extraídas se utilizaron para entrenar modelos de aprendizaje automático, con optimización de hiperparámetros realizada mediante Optuna. Nuestro marco logró un alto rendimiento en múltiples métricas, incluyendo precisión, sensibilidad, puntuación F1, exactitud, especificidad y promedio ponderado. Las probabilidades concatenadas, que combinan ambos tipos de características, demostraron el promedio ponderado más alto de 0.9969, superando las actuaciones individuales de las características manuales (0.9765) y embebidas (0.9686). El análisis estadístico confirmó la solidez y confiabilidad de los resultados. Sin embargo, persisten desafíos al asumir distribuciones normales para ciertos tipos de características. Este estudio destaca el potencial de combinar conocimientos específicos del dominio con enfoques basados en datos para mejorar la precisión diagnóstica y respaldar la toma de decisiones clínicas.