Cuando se considera un gran conjunto de datos de imágenes histopatológicas de mama capturadas a varios niveles de aumento, el proceso de distinguir entre cáncer benigno y maligno a partir de estas imágenes puede ser intensivo en tiempo. La automatización de la clasificación de imágenes de cáncer de mama histopatológico tiene un gran potencial para acelerar los diagnósticos patológicos y reducir el tiempo de análisis. Las redes neuronales convolucionales (CNN) han ganado recientemente tracción por su capacidad para clasificar de manera más precisa imágenes de cáncer de mama histopatológico. Las CNN sobresalen en la extracción de características distintivas que enfatizan la información semántica. Sin embargo, las CNN tradicionales que emplean la función de pérdida softmax a menudo luchan por lograr el poder discriminatorio necesario para esta tarea. Para abordar este desafío, ha surgido un conjunto de funciones de pérdida basadas en el margen angular softmax, que incluyen softmax angular (A-Softmax), pérdida de coseno de margen grande (CosFace) y margen angular aditivo (ArcFace), cada una compartiendo un objetivo común: maximizar la variación entre clases mientras se minimiza la variación dentro de las clases. Este estudio profundiza en estas tres funciones de pérdida y su potencial para extraer características distintivas mientras se expande el límite de decisión entre clases. Se ha realizado una experimentación rigurosa en un conjunto de datos de imágenes de cáncer de mama histopatológico bien establecido, BreakHis. Según los resultados, es evidente que CosFace se enfoca en aumentar las diferencias entre clases, mientras que A-Softmax y ArcFace tienden a enfatizar el aumento de las variaciones dentro de las clases. Estas observaciones subrayan la eficacia de las penalizaciones de margen en las pérdidas angulares softmax para mejorar la discriminación de características dentro del espacio de incrustación. Estas funciones de pérdida superan consistentemente a las técnicas basadas en softmax, ya sea ampliando las brechas entre clases o mejorando la compacidad de las clases individuales.