Los avances en el campo de la clasificación de imágenes utilizando redes neuronales convolucionales (CNN) han mejorado enormemente la precisión del diagnóstico de imágenes médicas por parte de los radiólogos. Numerosos grupos de investigación han aplicado métodos de CNN para diagnosticar enfermedades respiratorias a partir de radiografías de tórax y han ampliado este trabajo para demostrar la viabilidad de diagnosticar rápidamente COVID-19 con altos grados de precisión. Un problema en investigaciones anteriores ha sido el uso de conjuntos de datos que contienen solo unos pocos cientos de imágenes de radiografías de tórax con COVID-19, lo que provoca que las CNN se sobreajusten a los datos de imagen. Esto conduce a una menor precisión cuando el modelo intenta clasificar nuevas imágenes, como se esperaría clínicamente. En este trabajo, presentamos un modelo entrenado en el conjunto de datos COVID-QU-Ex que contiene 33,920 imágenes de radiografías de tórax, con una participación equitativa de imágenes de COVID-19, neumonía no COVID y normales. El modelo es un conjunto de CNN preentrenadas (ResNet50, VGG19 y VGG16) y características texturales GLCM. El modelo logró una precisión de clasificación binaria del 98.34% (COVID-19/no COVID-19) en un conjunto de datos de prueba de 6581 radiografías de tórax y 94.68% para distinguir entre COVID-19, neumonía no COVID y radiografías de tórax normales. Los resultados también demuestran que se puede lograr una mayor precisión de prueba de tres clases del 98.82% utilizando el modelo si el conjunto de datos de entrenamiento solo contiene unos pocos miles de imágenes. Sin embargo, la capacidad de generalización del modelo se ve afectada debido al tamaño más pequeño del conjunto de datos. Este estudio destaca los beneficios tanto de las técnicas de CNN en conjunto como de los tamaños de conjuntos de datos más grandes para el rendimiento de la clasificación de imágenes médicas.