En el estudio de la clasificación de imágenes médicas mediante aprendizaje profundo, se aplican modelos de aprendizaje profundo para analizar imágenes, con el objetivo de lograr asistir en el diagnóstico y evaluación preoperatoria. Actualmente, la mayoría de las investigaciones clasifican y predicen células normales y cancerosas mediante la introducción de imágenes de un solo parámetro en modelos entrenados. Sin embargo, para el cáncer de ovario (OC), es crucial identificar sus diferentes subtipos para predecir el pronóstico de la enfermedad. En particular, la necesidad de distinguir el carcinoma seroso de alto grado del carcinoma de células claras preoperatoriamente a través de medios no invasivos no ha sido abordada completamente. Este estudio propone un método de aprendizaje profundo (DL) basado en la fusión de datos de resonancia magnética multi-paramétrica (mpMRI), con el objetivo de mejorar la precisión de la clasificación preoperatoria de subtipos de cáncer de ovario. Al construir una nueva arquitectura de red de aprendizaje profundo que integra diversas características de secuencias, esta arquitectura logra la predicción de alta precisión del tipo de carcinoma seroso de alto grado y carcinoma de células claras, logrando un AUC del 91.62% y un AP del 95.13% en la clasificación de subtipos de cáncer de ovario.