La evaluación de radiografías de tórax es desafiante debido a su alta demanda y la complejidad de los diagnósticos. En este estudio, proponemos un modelo optimizado de aprendizaje profundo para la clasificación multietiqueta de imágenes de radiografías de tórax. Aprovechamos redes neuronales convolucionales preentrenadas (CNN) como VGG16, ResNet 50 y DenseNet 121, modificando sus capas de salida y ajustando los modelos. Empleamos una estrategia de optimización novedosa utilizando el algoritmo Hyperband para buscar eficientemente el espacio de hiperparámetros mientras ajustamos las capas completamente conectadas de las CNN. La efectividad de nuestro enfoque se evalúa en función del Área Bajo la Curva Característica de Operación del Receptor (AUC-ROC). Nuestra metodología propuesta podría ayudar en la interpretación automatizada de radiografías de tórax, ofreciendo una herramienta valiosa que los clínicos podrían utilizar en el futuro.