El coronavirus novel 2019 (COVID-19) se ha propagado rápidamente por todo el mundo. El examen estándar para el cribado de pacientes con COVID-19 es la prueba de reacción en cadena de la polimerasa. Dado que este método es lento, como alternativa, se pueden considerar radiografías de tórax para un cribado rápido. Sin embargo, se requiere especialización para leer imágenes de radiografías de tórax de COVID-19 ya que varían en características. Para abordar esto, presentamos una arquitectura de ResNet pre-entrenada de múltiples canales para facilitar el diagnóstico de radiografías de tórax de COVID-19. Tres modelos basados en ResNet fueron reentrenados para clasificar radiografías en una base de uno contra todos de (a) normales o enfermos, (b) neumonía o no neumonía, y (c) individuos con COVID-19 o sin COVID-19. Finalmente, estos tres modelos fueron ensamblados y ajustados utilizando radiografías de 1579 individuos normales, 4245 con neumonía y 184 con COVID-19 para clasificar casos normales, de neumonía y de COVID-19 en un marco de uno contra uno. Nuestros resultados muestran que el modelo ensamblado es más preciso que el modelo único, ya que extrae características semánticas más relevantes para cada clase. El método proporciona una precisión del 94% y una sensibilidad del 100%. Podría ayudar potencialmente a los médicos en el cribado de pacientes para COVID-19, facilitando así el triaje inmediato y el tratamiento para obtener mejores resultados.