Las Redes Neuronales Convolucionales (CNN) son la tecnología predominante en visión por computadora y se han vuelto cada vez más populares para la clasificación y análisis de datos de imágenes médicas. En este campo, debido a la escasez de datos médicos, las ResNets preentrenadas en ImageNet pueden considerarse un enfoque inicial adecuado. Este artículo examina la precisión de clasificación de imágenes médicas de las CNN personalizadas básicas convencionales en comparación con las ResNets preentrenadas en ImageNet en varios conjuntos de datos médicos, con el esfuerzo de proporcionar más información sobre la importancia de los datos médicos y sus técnicas de preprocesamiento para estudios de enfermedades. Se examinaron imágenes citológicas extraídas con microscopio junto con radiografías de tórax, escaneos de MRI del cerebro y fotografías de melanoma. Las imágenes médicas se examinaron en varios conjuntos, combinaciones de clases y resoluciones. También se examinaron conjuntos de datos de imágenes aumentadas y divisiones asimétricas de entrenamiento y validación entre las clases. Se desarrollaron modelos después de ser probados y ajustados en relación con su tamaño de red, valores de parámetros y métodos de red, resolución de imagen, tamaño del conjunto de datos, multitud y género de clase. También se examinó el sobreajuste y se realizaron estudios comparativos sobre el costo computacional de diferentes modelos. Los modelos lograron una alta precisión en la clasificación de imágenes que varía según el conjunto de datos y se pueden incorporar fácilmente en futuros entornos de apoyo a la decisión médica por internet (telemedicina). Además, parece que las CNN personalizadas básicas convencionales superaron a las ResNets preentrenadas en ImageNet. Los resultados obtenidos indican la importancia de utilizar datos de imágenes médicas como un banco de pruebas para mejoras en el rendimiento de clasificación de las CNN y la posibilidad de utilizar CNN y técnicas de preprocesamiento de datos para estudios de enfermedades.