Los patólogos utilizan la histopatología para examinar tejidos o células bajo un microscopio y comparar las estructuras de tejido saludable y anormal. Diferenciar los tumores benignos de los malignos es el aspecto más crítico de la histopatología del cáncer. Los patólogos utilizan una variedad de factores de ampliación, incluidos 40x, 100x, 200x y 400x, para identificar estructuras de tejido anormal. Es un proceso doloroso porque los especialistas deben pasar mucho tiempo sentados y mirando a través de las lentes del microscopio. Por lo tanto, es más probable que los patólogos cometan errores debido a estar sobrecargados de trabajo o fatigados. Automatizar la detección de cáncer en histopatología es la mejor manera de mitigar los diagnósticos erróneos de los humanos. Múltiples enfoques en la literatura sugieren métodos para automatizar la detección de cáncer de mama basados en el uso de imágenes histopatológicas. Este trabajo realiza un análisis exhaustivo para identificar qué factores de ampliación, 40x, 100x, 200x y 400x, inducen una mayor precisión de predicción. Este estudio encontró que entrenar Redes Neuronales Convolucionales (CNNs) en factores de ampliación de 200x y 400x aumentó la precisión de predicción en comparación con el entrenamiento en 40x y 100x. Más específicamente, este estudio descubre que el modelo de CNN tiene un mejor rendimiento cuando se entrena en 200x que en 400x.