La determinación precisa del estado del receptor 2 del factor de crecimiento epidérmico humano (HER2) es un componente crítico del pronóstico y la planificación del tratamiento del cáncer de mama. Las técnicas de diagnóstico convencionales, como la inmunohistoquímica (IHC) y la hibridación in situ por fluorescencia (FISH), están clínicamente establecidas, pero siguen siendo invasivas, que consumen tiempo, costosas y sensibles a la variabilidad preanalítica e interpretativa. Motivado por la necesidad de herramientas de apoyo a la decisión escalables y basadas en datos, este estudio propone un marco híbrido de aprendizaje automático en conjunto para la predicción no invasiva del estado de HER2 utilizando características clínicas e inmunohistoquímicas disponibles de forma rutinaria. Se analizó un conjunto de datos retrospectivo que comprende 624 pacientes con cáncer de mama de la Clínica Mahdieh (Kermanshah, Irán) utilizando un pipeline de preprocesamiento estructurado que incluye normalización y balanceo de clases. El marco propuesto integra múltiples clasificadores basados en árboles, Random Forest, XGBoost y LightGBM, a través de estrategias de conjunto y mejora la robustez predictiva utilizando ingeniería de características de función de membresía para capturar transiciones graduales en biomarcadores clínicamente relevantes. La optimización del umbral de decisión se aplicó además para mejorar el equilibrio de clasificación en casos límite. El marco de conjunto propuesto logró una precisión de 0.816, un F1-score de 0.814 y un área bajo la curva característica del receptor (AUC) de 0.862 en un conjunto de prueba reservado, demostrando un rendimiento comparable al mejor clasificador individual. Estos resultados indican que el aprendizaje en conjunto combinado con representaciones de características basadas en membresía suaves puede proporcionar un marco de apoyo a la decisión confiable para la predicción del estado de HER2, aunque se requiere una validación externa adicional antes de su uso clínico.