El ajuste fino de redes neuronales profundas (DNN) pre-entrenadas delicadamente diseñadas para imágenes naturales a gran escala puede no ser adecuado para imágenes médicas debido a la diferencia intrínseca entre los conjuntos de datos. Proponemos una estrategia para modificar las DNN, lo cual mejora su rendimiento en imágenes de tomografía de coherencia óptica retiniana (OCT). Las características profundas de las DNN pre-entrenadas son características de alto nivel de imágenes naturales. Estas características perjudican el entrenamiento de transfer learning. Nuestra estrategia es eliminar algunas capas convolucionales profundas de las redes pre-entrenadas de última generación: GoogLeNet, ResNet y DenseNet. Intentamos encontrar las redes neuronales profundas optimizadas en conjuntos de datos de OCT a pequeña y gran escala, respectivamente, en nuestros experimentos. Los resultados muestran que las redes neuronales profundas optimizadas no solo reducen la carga computacional, sino que también mejoran la precisión de clasificación.