El cáncer es una preocupación de salud global complicada con una tasa de mortalidad significativa. El cáncer de mama es una de las principales causas de mortalidad cada año. Los avances en los pronósticos se han basado progresivamente principalmente en la expresión de genes, ofreciendo información sobre decisiones de atención médica sólidas y apropiadas, debido al rápido crecimiento de las técnicas de secuenciación de alto rendimiento avanzadas y el uso de varios enfoques de aprendizaje profundo que han surgido en los últimos años. Los indicadores de enfermedades de diagnóstico por imagen como la densidad mamaria y la textura del tejido son ampliamente utilizados por los médicos y la tecnología automatizada. La identificación efectiva y específica de la presencia de riesgo de cáncer se puede utilizar para informar decisiones personalizadas de detección y prevención. Para varias clasificaciones y aplicaciones de predicción, como la imagen mamaria, el aprendizaje profundo ha surgido cada vez más como un método efectivo. Presentamos un enfoque de modelo de aprendizaje profundo para predecir el riesgo de cáncer de mama principalmente sobre esta base. La metodología propuesta se basa en el aprendizaje por transferencia utilizando el modelo de aprendizaje profundo InceptionResNetV2. Nuestro trabajo experimental en un conjunto de datos de cáncer de mama demuestra un alto rendimiento del modelo, con un 91% de precisión. El modelo propuesto incluye marcadores de riesgo que se utilizan para mejorar las puntuaciones de evaluación de riesgo de cáncer de mama y presenta resultados prometedores en comparación con enfoques existentes. Los modelos de aprendizaje profundo incluyen marcadores de riesgo que se utilizan para mejorar las puntuaciones de precisión. Este artículo describe los indicadores de riesgo de cáncer de mama, define el uso adecuado, las características y los límites de cada modelo de pronóstico de riesgo, y examina el papel creciente del aprendizaje profundo (DL) en la detección de riesgos. El modelo propuesto podría potencialmente utilizarse para automatizar varios tipos de técnicas de imagen médica.