Recientemente, los algoritmos de aprendizaje profundo se han convertido en uno de los métodos y formas de algoritmos más populares utilizados en el proceso de análisis de imágenes médicas. Las herramientas de aprendizaje profundo proporcionan precisión y rapidez en el proceso de diagnóstico y clasificación de problemas de la columna lumbar. La hernia de disco y la estenosis espinal son dos de las enfermedades más comunes de la parte baja de la espalda. El proceso de diagnóstico del dolor en la parte baja de la espalda puede considerarse costoso en términos de tiempo y experiencia disponible. En este documento, utilizamos múltiples enfoques para superar el problema de la falta de datos de entrenamiento en la clasificación del estado del disco y para mejorar el rendimiento de las tareas de clasificación del estado del disco. Para lograr este objetivo, se implementó el aprendizaje por transferencia de diferentes conjuntos de datos y una técnica de región de interés (ROI) propuesta. Se ha demostrado que el uso de transferencia de aprendizaje del mismo dominio que el conjunto de datos objetivo puede aumentar drásticamente el rendimiento. La aplicación del método ROI mejoró los resultados de clasificación del estado del disco en VGG19 2%, ResNet50 16%, MobileNetV2 5% y VGG16 2%. Los resultados mejoraron VGG16 4% y en VGG19 6%, en comparación con la transferencia desde ImageNet. Además, se ha afirmado que cuanto más cercanos sean los datos a clasificar a los datos en los que el sistema fue entrenado, mejores serán los resultados obtenidos.