Antecedentes: Las enfermedades retinianas se están convirtiendo en un importante problema de salud pública, siendo el diagnóstico temprano y la intervención oportuna factores clave para prevenir la pérdida de visión. La tomografía de coherencia óptica (OCT) sigue siendo la principal técnica de imagen no invasiva para identificar condiciones retinianas. Sin embargo, distinguir entre el edema macular diabético (DME) y el edema macular resultante de la oclusión de la vena retiniana (RVO) puede ser particularmente desafiante, especialmente para los clínicos sin formación especializada en trastornos retinianos, ya que ambas condiciones se manifiestan a través del aumento del grosor retiniano. Debido a la investigación limitada que explora la aplicación de métodos de aprendizaje profundo, particularmente para la detección de RVO utilizando escaneos de OCT, este estudio propone un enfoque diagnóstico novedoso basado en redes neuronales convolucionales apiladas. Esta arquitectura tiene como objetivo mejorar la precisión de clasificación al integrar múltiples capas de redes neuronales, lo que permite una extracción de características más robusta y una mejor diferenciación entre patologías retinianas. Métodos: Los modelos VGG-16, VGG-19 y ResNet50 fueron ajustados utilizando el conjunto de datos de Kermany para clasificar las imágenes de OCT y posteriormente fueron entrenados utilizando un conjunto de datos privado de OCT. Se desarrollaron cuatro modelos apilados utilizando estos modelos: un modelo que utiliza las redes VGG-16 y VGG-19, un modelo que utiliza las redes VGG-16 y ResNet50, un modelo que utiliza los modelos VGG-19 y ResNet50, y finalmente un modelo que utiliza las tres redes. Las métricas de rendimiento del modelo incluyen precisión, exactitud, recuperación, F2-score y área bajo la curva de características operativas del receptor (AUROC). Resultados: La red neuronal apilada que utiliza los tres modelos logró los mejores resultados, con una precisión del 90.7%, una exactitud del 99.2%, una recuperación del 90.7% y un F2-score del 92.3%. Conclusiones: Este estudio presenta un método novedoso para distinguir enfermedades retinianas mediante el uso de redes neuronales apiladas. Esta investigación tiene como objetivo proporcionar una herramienta confiable para que los oftalmólogos mejoren la precisión y velocidad del diagnóstico.