Este estudio evalúa el rendimiento de los algoritmos de aprendizaje automático para la predicción de metástasis axilares y la clasificación de subtipos moleculares, comparándolos con los enfoques estadísticos tradicionales descritos en la literatura. Mediante estrategias de validación cruzada, se analizaron diferentes variables, incluidas las clinicopatológicas y las inmunohistoquímicas. Los resultados muestran que modelos como la regresión logística eficiente y el SVM gaussiano medio ofrecen un rendimiento comparable o superior al de los modelos de referencia, especialmente en términos de sensibilidad. Estos hallazgos refuerzan el potencial del aprendizaje automático como herramienta de apoyo al diagnóstico de pacientes con cáncer de mama.

This study evaluates the performance of machine learning algorithms for axillary metastasis prediction and molecular subtype classification, comparing them with traditional statistical approaches reported in the literature. Using a cross-validation strategies, different variables were analysed, including clinicopathological and immunohistochemical. The results show that models such as Efficient Logistic Regression and Medium Gaussian SVM offer comparable or superior performance to the reference models, especially in terms of sensitivity. These findings reinforce the potential of machine learning as a tool to support the diagnosis of breast cancer patients.

• Presidente: José María Quinteiro González
• Secretario: Pablo Vicente Hernández Morera
• Vocal: Roberto Esper-Chaín Falcón