En el contexto de la salud digital, este estudio aborda el reto de extraer información útil de reportes radiológicos no estructurados escritos en finlandés, un idioma minoritario. Utilizando técnicas de aprendizaje automático, se logró transformar estos textos en datos estructurados. Los clasificadores tradicionales, como máquinas de soporte vectorial y regresión logística, identificaron menciones de tumores de mama con una precisión cercana al 90% y detectaron metástasis con un F1-score del 81%. Sorprendentemente, superaron al modelo FinBERT, especializado en el idioma. La menor precisión en metástasis se atribuye a la ambigüedad del lenguaje y el tamaño reducido del conjunto de datos. Además, afinar modelos con textos traducidos del inglés no mejoró significativamente el rendimiento, evidenciando la necesidad de conjuntos de datos locales adaptados a lenguas con estructuras gramaticales complejas.