Es bien sabido que el análisis de imágenes biomédicas juega un papel crucial en el sector de la salud y produce una gran cantidad de datos. Estos datos pueden ser explotados para estudiar enfermedades y su evolución de una manera más profunda o predecir su inicio. En particular, la clasificación de imágenes representa uno de los principales problemas en el contexto de la imagen biomédica. Debido a la complejidad de los datos, la clasificación de imágenes biomédicas puede llevarse a cabo mediante modelos matemáticos entrenables, como las redes neuronales artificiales. Al emplear una red neuronal, uno de los principales desafíos es determinar la duración óptima de la fase de entrenamiento para lograr el mejor rendimiento. Este documento presenta una nueva técnica de detención temprana adaptativa para establecer el tiempo de entrenamiento óptimo basado en estrategias de selección dinámica para fijar la tasa de aprendizaje y el tamaño del mini-batch del método de gradiente estocástico explotado como optimizador. Los experimentos numéricos, realizados en diferentes redes neuronales artificiales para la clasificación de imágenes, muestran que el procedimiento de detención temprana adaptativa desarrollado conduce al mismo rendimiento de la literatura al finalizar el entrenamiento en menos épocas. Los ejemplos numéricos se han realizado en el conjunto de datos CIFAR100 y en dos conjuntos de datos MedMNIST2D distintos que son el banco de pruebas ligero a gran escala para la clasificación de imágenes biomédicas.