Este documento se centra en diferentes tipos de redes de soporte para arquitecturas de aprendizaje automático que realizan la clasificación de imágenes de Resonancia Magnética (RM) de rodilla. El objetivo de este documento es comparar diferentes tipos de redes de extracción de características para la misma tarea de clasificación, en términos de precisión y rendimiento. Se entrenaron múltiples variaciones de modelos de aprendizaje automático basados en la arquitectura MRNet, eligiendo AlexNet, ResNet, VGG-11, VGG-16 y Efficientnet como redes de soporte. Los modelos se evaluaron en el conjunto de datos de validación de MRNet, calculando el Área Bajo la Curva de Características de Operación del Receptor (ROC-AUC), precisión, puntuación f1 y Kappa de Cohen como métricas de evaluación. La variante del modelo MRNet-VGG16 muestra los mejores resultados para la detección de desgarros del Ligamento Cruzado Anterior (LCA). Para la detección de anormalidades generales, MRNet-VGG16 es superado por MRNet-Resnet en confianza entre 0.5 y 0.75 y por MRNet-VGG11 para confianza superior a 0.8. Debido a la naturaleza no uniforme del rendimiento de la red de soporte en diferentes planos de RM, es recomendable utilizar un conjunto de LR que incluya: VGG16 en un plano coronal para todas las tareas de clasificación; en un plano axial para la detección de anormalidades y desgarros del LCA; Alexnet en un plano sagital para la detección de anormalidades, y un plano axial para la detección de desgarros meniscales; y VGG11 en un plano sagital para la detección de desgarros del LCA. Los resultados también indican que la métrica de Kappa de Cohen es valiosa en la evaluación del modelo para el conjunto de datos de MRNet, ya que proporciona una comprensión más profunda sobre las decisiones de clasificación.