La recurrencia temprana postoperatoria (ER) del carcinoma hepatocelular (HCC) es una de las principales causas de mortalidad. Predecir la ER antes del tratamiento puede guiar los protocolos de tratamiento y seguimiento. Los marcos de aprendizaje profundo, conocidos por su rendimiento superior, se utilizan ampliamente en la imagenología médica. Sin embargo, enfrentan desafíos debido a la limitada cantidad de datos anotados. Proponemos un método de preentrenamiento multitarea utilizando aprendizaje auto-supervisado con imágenes médicas para predecir la ER del HCC. Este método implica dos tareas preliminares: el desorden de fases, que se centra en la representación de características intra-imagen, y la discriminación de casos, que se centra en la representación de características inter-imagen. La efectividad y generalización del método propuesto se valida a través de dos experimentos diferentes. Además de predecir la recurrencia temprana, también aplicamos el método propuesto a la clasificación de lesiones hepáticas focales. Ambos experimentos muestran que el modelo de preentrenamiento multitarea supera a los métodos de preentrenamiento existentes (aprendizaje por transferencia) con imágenes naturales, preentrenamiento auto-supervisado de tarea única y DINOv2.