El diagnóstico rápido y preciso de las lesiones mamarias, incluida la distinción entre cáncer, no cáncer y cáncer sospechoso, juega un papel crucial en el pronóstico del cáncer de mama. En este artículo, presentamos un nuevo método basado en la extracción y reducción de características para la detección del cáncer de mama en imágenes de mamografía. Primero, extraemos características de múltiples modelos de red neuronal convolucional (CNN) preentrenados y luego las concatenamos. Las características más informativas se seleccionan en función de su información mutua con la variable objetivo. Posteriormente, las características seleccionadas pueden ser clasificadas utilizando un algoritmo de aprendizaje automático. Evaluamos nuestro enfoque utilizando cuatro algoritmos de aprendizaje automático diferentes: red neuronal (NN), vecino más cercano (kNN), bosque aleatorio (RF) y máquina de soporte vectorial (SVM). Nuestros resultados demuestran que el clasificador basado en NN logra una impresionante precisión del 92% en el conjunto de datos RSNA. Este conjunto de datos es recién introducido e incluye dos vistas, así como características adicionales como la edad, que contribuyeron a la mejora del rendimiento. Comparamos nuestro algoritmo propuesto con métodos de vanguardia y demostramos su superioridad, particularmente en términos de precisión y sensibilidad. Para el conjunto de datos MIAS, logramos una precisión de hasta el 94.5%, y para el conjunto de datos DDSM, se alcanza una precisión del 96%. Estos resultados destacan la efectividad de nuestro método en el diagnóstico preciso de lesiones mamarias y superan los enfoques existentes.