La inteligencia artificial se ha utilizado de manera efectiva en el diagnóstico médico. El objetivo de este proyecto es examinar la aplicación de un modelo de IA colectivo que utiliza la fusión ponderada de probabilidades predichas de diferentes arquitecturas de IA para diagnosticar diversas condiciones retinianas basadas en tomografía de coherencia óptica (OCT). Un conjunto de datos Noor disponible públicamente, que comprende 16,822 imágenes de 554 exploraciones de OCT retiniano de 441 pacientes, se utilizó para predecir un amplio espectro de etapas de degeneración macular relacionada con la edad (AMD): normal, drusen o neovascularización coroidea. Estas predicciones se compararon con las predicciones de los modelos ResNet, EfficientNet y Attention, respectivamente, utilizando precisión, recuperación, puntuación F1 y matriz de confusión y curvas características de funcionamiento del receptor. Nuestro modelo colectivo demostró una precisión superior en la clasificación de AMD en comparación con los modelos individuales de ResNet, EfficientNet y Attention, mostrando la efectividad de usar pesos entrenables en el proceso de fusión del conjunto, donde estos pesos se adaptan dinámicamente durante el entrenamiento en lugar de ser valores fijos. Específicamente, nuestro modelo de conjunto logró una precisión del 91.88%, una precisión del 92.54%, una recuperación del 92.01% y una puntuación F1 del 92.03%, superando a los modelos individuales. Nuestro modelo también destaca el proceso de refinamiento realizado a través de un examen exhaustivo de los casos inicialmente mal clasificados, lo que llevó a mejoras significativas en la tasa de precisión del modelo al 97%. Este estudio también subraya el potencial de la IA como una herramienta valiosa en oftalmología. El modelo de conjunto propuesto, que combina diferentes mecanismos, resalta los beneficios de la fusión de modelos para el análisis de imágenes médicas complejas.