Gracias a su capacidad para aprender descriptores generalizables directamente de imágenes, las Redes Neuronales Convolucionales profundas (CNN) parecen ser la solución ideal para la mayoría de los problemas de reconocimiento de patrones. Por otro lado, para aprender la representación de la imagen, las CNN necesitan grandes conjuntos de muestras anotadas que son inviables en muchos escenarios cotidianos. Este es el caso, por ejemplo, de los sistemas de Diagnóstico Asistido por Computadora (CAD) para patología digital, donde se plantean desafíos adicionales debido a la alta variabilidad de las características del tejido canceroso. En nuestros experimentos, las CNN de última generación entrenadas desde cero en imágenes histológicas fueron menos precisas y menos robustas ante la variabilidad que un marco de aprendizaje automático tradicional, resaltando todos los problemas de entrenar completamente redes profundas con datos limitados de pacientes reales. Para resolver este problema, diseñamos y comparamos tres marcos de transferencia de aprendizaje, aprovechando las CNN pre-entrenadas en imágenes no médicas. Este enfoque obtuvo una precisión muy alta, requiriendo muchos menos recursos computacionales para el entrenamiento. Nuestros hallazgos demuestran que el aprendizaje por transferencia es una solución para la clasificación automatizada de muestras histológicas y resuelve el problema de diseñar sistemas CAD precisos y eficientes computacionalmente con datos de entrenamiento limitados.