La predicción del crecimiento del fuego es crucial para operaciones efectivas de lucha contra incendios y rescate. Los avances recientes en técnicas basadas en visión que utilizan visión RGB e imágenes térmicas infrarrojas (IR), junto con técnicas de inteligencia artificial y aprendizaje profundo, han mostrado soluciones prometedoras que pueden aplicarse en la detección de incendios y la predicción de su comportamiento. Este estudio introduce el uso de modelos de red Convolutional Long Short-term Memory (ConvLSTM) para predecir el crecimiento de incendios en habitaciones mediante el análisis de datos de imágenes térmicas IR espaciotemporales adquiridos de pruebas de incendios en habitaciones a escala real. Nuestros hallazgos revelaron que SwinLSTM, una versión mejorada de ConvLSTM combinada con transformadores (una arquitectura de aprendizaje profundo basada en un nuevo mecanismo llamado atención multi-cabeza) para propósitos de visión por computadora, puede ser utilizada para la predicción de la ocurrencia de flashover en incendios en habitaciones. Especialmente, los modelos de aprendizaje profundo ConvLSTM basados en transformadores, como SwinLSTM, demuestran una capacidad de predicción superior, lo que sugiere una nueva solución inteligente basada en visión para futuras tareas de predicción del crecimiento del fuego. El enfoque principal de este trabajo es realizar un estudio de viabilidad sobre el uso de un modelo de aprendizaje profundo puramente basado en visión para el análisis de datos de video futuros para anticipar el comportamiento del crecimiento del fuego en incidentes de incendios en habitaciones.