El auge de la tecnología está produciendo importantes cambios a nivel mundial, sobre todo en materia de inteligencia artificial (IA). Actualmente las grandes compañías han emprendido acciones y destinan gran parte de sus recursos al desarrollo de tecnologías que permitan automatizar diferentes actividades, entre ellas las del sector de la salud. En tal sentido, la oftalmología ha captado la atención de una rama de la IA, las redes neuronales convolucionales (RNC), debido a que puede ser provista de suficientes datos para garantizar niveles altos de predicción en la detección de enfermedades/anomalías oculares. En esta investigación se rediseñaron veinticuatro algoritmos a partir de las estructuras ResNet-50 y VGG-19, modificando las entradas (conjuntos de 15, 25 y 35 imágenes) y los ciclos de propagación (20 y 25 épocas), con el objetivo de optimizar el nivel de precisión en el diagnóstico de catarata y glaucoma; además, se utilizó el estadístico U de Mann Whitney para comparar los valores medios de los parámetros pérdida, precisión, rendimiento y tiempo, logrando identificar que solamente en este último las diferencias son estadísticamente significativas. Los resultados revelaron que el algoritmo más eficiente en el diagnóstico de catarata fue desarrollado a partir de la estructura VGG-19 con 25 imágenes tomadas como entrada con 20 épocas de entrenamiento; por su parte, no se lograron obtener niveles de precisión adecuados para el diagnóstico de glaucoma.