El cáncer de próstata (CP) es una forma prevalente y potencialmente mortal de cáncer que afecta a los hombres a nivel mundial. Sin embargo, los métodos de diagnóstico existentes, como las biopsias o el examen rectal digital (ERD), tienen limitaciones en cuanto a invasividad, coste y precisión. Este estudio propone un enfoque novedoso de aprendizaje automático para el diagnóstico del CP mediante la utilización de biomarcadores clínicos y cuestionarios personalizados. En nuestra investigación, exploramos varios métodos de aprendizaje automático, incluidos los tradicionales, basados en árboles y avanzados de aprendizaje profundo tabular, para analizar datos tabulares relacionados con el CP. Además, introducimos la novedosa utilización de redes neuronales convolucionales (RNC) y transfer learning, que se han aplicado predominantemente en tareas relacionadas con imágenes, para manejar datos tabulares después de ser transformados en representaciones gráficas adecuadas mediante nuestro marco de modelado Tab2Visual propuesto. Además, investigamos cómo mejorar aún más la precisión de la predicción mediante la construcción de modelos de conjunto. Una evaluación experimental de nuestro enfoque propuesto demuestra su efectividad al lograr un rendimiento superior con un F1-score de 0.907 y un AUC de 0.911. Esto ofrece un potencial prometedor para la detección precisa del CP sin depender de procedimientos invasivos y costosos.