Presentamos en este artículo un novedoso método de aprendizaje dinámico para clasificar detecciones de candidatos a pólipo en la Colonografía Tomográfica Computarizada (CTC) utilizando una adaptación de la Máquina de Vectores de Soporte de Mínimos Cuadrados (LS-SVM). La técnica propuesta, llamada Máquinas de Vectores de Soporte Proximal Ponderadas (Weighted Proximal Support Vector Machines), amplía las capacidades fuera de línea del esquema SVM para abordar aplicaciones prácticas de CTC. Los datos incrementales se incorporan en el como un espacio vectorial ponderado, y los únicos requisitos de almacenamiento son los parámetros del hiperplano. La evaluación del rendimiento basada en 169 casos clínicos de CTC utilizando un esquema de diagnóstico asistido por computadora (CAD) 3D para reducción de características se compara favorablemente con estudios de CAD de CTC publicados anteriormente que, sin embargo, solo han involucrado esquemas de clasificación binarios y fuera de línea. Los resultados experimentales obtenidos al aplicar iterativamente para mejorar la sensibilidad de detección demuestran su viabilidad para el aprendizaje incremental, lo que motiva una mayor investigación para abordar una gama más amplia de subclases de verdaderos positivos como pólipos pedunculados, sésiles y planos, y una gama más amplia de subclases de falsos positivos como pliegues, heces y materiales etiquetados.