La precisión en la detección temprana del cáncer gástrico temprano (CGT) determina la elección de la estrategia de tratamiento óptima y los gastos médicos relacionados. Nos propusimos desarrollar un modelo diagnóstico simple, asequible y que ahorre tiempo utilizando seis algoritmos de aprendizaje automático (ML) para el diagnóstico del CGT. Se basa en la puntuación de la clasificación de Kyoto basada en la endoscopia obtenida después de la finalización de la endoscopia y otras características clínicas obtenidas después de la consulta médica. Evaluamos retrospectivamente a 1999 pacientes que se sometieron a una endoscopia gastrointestinal en el Hospital de China en Beijing. De estos, 203 sujetos fueron diagnosticados con CGT. Los datos se dividieron aleatoriamente en conjuntos de entrenamiento y prueba (relación 4:1). Construimos seis modelos de ML, y los modelos desarrollados se evaluaron en el conjunto de pruebas. Este procedimiento se repitió cinco veces. El modelo de Redes Kolmogorov-Arnold (KANs) logró el mejor rendimiento (valor AUC promedio: 0.76; precisión equilibrada promedio: 70.96%; precisión promedio: 58.91%; sensibilidad promedio: 70.96%; tasa de falsos positivos promedio: 26.11%; tasa de falsos negativos promedio: 31.96%; y valor de puntuación F1 promedio: 58.46). La puntuación de la clasificación de Kyoto basada en la endoscopia fue la característica más importante con la puntuación de importancia de característica más alta. Los resultados sugieren que el modelo KAN, el modelo de ML óptimo en este estudio, tiene el potencial de identificar a pacientes con CGT, lo que puede resultar en una reducción tanto en el costo de tiempo como en los gastos médicos en la práctica clínica.