La enfermedad del coronavirus 2019 (COVID-19) ha impactado severamente en vidas alrededor del mundo. Los trastornos respiratorios en pacientes con COVID-19 son causados por opacidades pulmonares similares a la neumonía viral. Un sistema de Detección Asistida por Computadora (CAD) para la detección de COVID-19 utilizando radiografías de tórax proporcionaría una segunda opinión para los radiólogos. Para esta investigación, utilizamos conjuntos de datos públicamente disponibles que han sido marcados por radiólogos en dos clases (COVID-19 y no COVID-19). Abordamos el problema del desequilibrio de clases asociado con el conjunto de datos de entrenamiento proponiendo un enfoque novedoso de transferencia de aprendizaje, donde dividimos un conjunto de datos de entrenamiento altamente desequilibrado en un grupo de mini conjuntos equilibrados y aplicamos aprendizaje por transferencia entre estos. Demostramos la eficacia del método utilizando redes neuronales convolucionales profundas bien establecidas. Nuestro mecanismo de entrenamiento propuesto es más robusto ante datos de entrenamiento limitados y desequilibrio de clases. Estudiamos el rendimiento de nuestro algoritmo(s) basado en validación cruzada de 10 pliegues y dos experimentos de validación hold-out para demostrar su eficacia. Logramos una sensibilidad general de 0.94 para los experimentos de validación hold-out que contienen 2265 y 2139 marcados como radiografías de tórax de COVID-19, respectivamente. Para el experimento de validación cruzada de 10 pliegues, logramos un valor general del Área bajo la curva Característica Operativa del Receptor (AUC) de 0.996 para la detección de COVID-19. Este documento sirve como una prueba de concepto de que se puede desarrollar un enfoque de detección automatizada con un conjunto limitado de imágenes de COVID-19, y en áreas con escasez de radiólogos capacitados.