La histopatología, la técnica de referencia en la clasificación de tumores mamarios caninos (TMC), es un proceso que consume mucho tiempo y está afectado por una alta variabilidad entre observadores. La patología digital (DP) y la patología asistida por computadora (CAD) son campos emergentes que mejorarán la precisión general de la clasificación. En este estudio, se ha explorado la capacidad de los sistemas CAD para distinguir entre TMC benignos y malignos en un conjunto de datos, a saber, 1056 imágenes JPEG de hematoxilina y eosina de 20 TMC benignos y 24 malignos, utilizando tres sistemas CAD diferentes basados en la combinación de una red neuronal convolucional (VGG16, Inception v3, EfficientNet), que actúa como extractor de características, y un clasificador (máquinas de soporte vectorial (SVM) o aumento de gradiente estocástico (SGB)), colocados sobre la red neuronal. Basados en un conjunto de datos de cáncer de mama humano (es decir, BreakHis) (precisión de 0.86 a 0.91), nuestros modelos se aplicaron al conjunto de datos de TMC, mostrando una precisión de 0.63 a 0.85 en todas las arquitecturas. El marco de EfficientNet acoplado con SVM resultó en el mejor rendimiento con una precisión de 0.82 a 0.85. Los resultados alentadores obtenidos mediante el uso de sistemas DP y CAD en TMC proporcionan una perspectiva interesante sobre la integración de tecnologías de inteligencia artificial y aprendizaje automático en la investigación relacionada con el cáncer.