En paralelo con la vasta investigación médica sobre el tratamiento clínico de COVID-19, una acción importante para tener la enfermedad completamente bajo control es monitorear cuidadosamente a los pacientes. La detección de COVID-19 se basa principalmente en las pruebas virales, sin embargo, el estudio de radiografías es útil debido a la facilidad de disponibilidad. Hay varios estudios que emplean paradigmas de Aprendizaje Profundo (DL), con el objetivo de reforzar el reconocimiento de infecciones pulmonares por COVID-19 basado en radiografías. En este sentido, realizamos una comparación de los enfoques notables dedicados a la clasificación binaria de imágenes infectadas utilizando técnicas de DL, luego también proponemos una variante de una red neuronal convolucional (CNN) con parámetros optimizados, que funciona muy bien en un conjunto de datos reciente de COVID-19. La efectividad del modelo propuesto se demuestra de considerable importancia debido a su diseño sencillo, en contraste con otros modelos presentados. En nuestro enfoque, colocamos aleatoriamente varias imágenes del conjunto de datos utilizado a un lado como un conjunto de retención; el modelo detecta la mayoría de las radiografías de COVID-19 correctamente, con una excelente precisión general del 99.8%. Además, la importancia de los resultados obtenidos al probar diferentes conjuntos de datos de diversas características (que, más específicamente, no se utilizan en el proceso de entrenamiento) demuestra la efectividad del enfoque propuesto en términos de una precisión de hasta el 93%.