Este documento tiene como objetivo proponer una herramienta para la clasificación de imágenes en el apoyo a la toma de decisiones en el diagnóstico médico, en un contexto donde el poder computacional es limitado y las infraestructuras de computación específicas y de alta velocidad no pueden ser utilizadas (principalmente por razones económicas y de consumo energético). El método propuesto combina un algoritmo de redes neuronales profundas con procedimientos de imágenes médicas y se implementa para permitir un uso eficiente en hardware asequible. El procedimiento de red neuronal convolucional (CNN) utilizó VGG16 como su arquitectura base, empleando la técnica de transfer learning con los parámetros obtenidos en la competencia ImageNet. Dos bloques convolucionales y un bloque denso fueron añadidos a esta arquitectura. La herramienta fue desarrollada y calibrada sobre la base de cinco enfermedades pulmonares comunes utilizando 5430 imágenes de dos conjuntos de datos públicos y la técnica de transfer learning. Se obtuvieron relaciones de retención del 90% y 10% para entrenamiento y pruebas, respectivamente, y las herramientas de regularización fueron dropout, detención temprana y regularización Lasso (L2). Se alcanzó una precisión (ACC) del 56% y un área bajo la curva característica de operación del receptor (ROC-AUC) del 50% en las pruebas, lo cual es adecuado para el apoyo a decisiones en un entorno con recursos limitados.