Las tareas de aprendizaje se implementan a través de mapeos del conjunto de datos muestreado, incluyendo tanto el marco clásico como el cuántico. Los datos biomédicos que caracterizan enfermedades complejas como el cáncer típicamente requieren un soporte algorítmico para decisiones clínicas, especialmente para tumores en etapas tempranas que son característicos de pacientes con cáncer de mama, los cuales aún son controlables de manera terapéutica y quirúrgica. Nuestro estudio de caso consiste en la predicción durante la etapa preoperatoria de metástasis ganglionares en pacientes con cáncer de mama que resultan en un diagnóstico negativo después de exámenes clínicos y radiológicos. El clasificador adoptado para establecer una línea base se caracteriza por la invariancia del resultado para la permutación de orden de las características de entrada, y explota estratificaciones en el procedimiento de entrenamiento. El cuántico imita el mapeo de máquina de vectores de soporte en un espacio de características de alta dimensión, generado mediante la codificación en qubits, mientras se caracteriza por la complejidad. La selección de características se explota para estudiar los rendimientos asociados con un bajo número de características, implementado en un tiempo factible. Se observan amplias variaciones en sensibilidad y especificidad en los clasificadores óptimos seleccionados durante las validaciones cruzadas para ambos tipos de sistemas de clasificación, con una detección más fácil de casos negativos o positivos dependiendo de la elección entre los dos esquemas de entrenamiento. La práctica clínica aún está lejos de ser alcanzada, incluso si la estructura flexible de los circuitos de clasificación inspirados en la cuántica garantiza nuevos desarrollos para gobernar interacciones entre características: este estudio preliminar está únicamente destinado a proporcionar una visión general del esquema de red tensorial de árbol particular en una versión simplificada adoptando solo estados de producto, así como para introducir procedimientos típicos de aprendizaje automático que consisten en selección de características y evaluación del rendimiento del clasificador.