شهد التطور السريع للتعلم العميق، وهو مجموعة من تقنيات التعلم الآلي، اهتمامًا كبيرًا بتطبيقاته في مشكلات التصوير الطبي. في هذا العمل، نطور خوارزمية للتعلم العميق قادرة على الكشف بدقة عن سرطان الثدي في صور التصوير الشعاعي التفتيشي، باستخدام نهج تدريب "من البداية إلى النهاية" يُعدّل بكفاءة مجموعات البيانات التدريبية التي تحتوي إما على تسميات سريرية كاملة أو فقط على حالة وجود السرطان (العلامة) للصورة بأكملها. في هذا النهج، يُطلب تسمية الورم فقط في المرحلة التدريبية الأولى، بينما تتطلب المراحل اللاحقة علامات على مستوى الصورة فقط، ما يُلغِي الاعتماد على تسميات الورم التي نادراً ما تكون متوفرة. حققت طريقة الشبكة التلافيفية الكاملة التي نقترحها لتصنيف صور التصوير الشعاعي التفتيشي أداءً ممتازًا مقارنة بالطرق السابقة. وعلى مجموعة اختبار مستقلة من صور التصوير الشعاعي الفيلمية الرقمية من قاعدة البيانات الرقمية للتصوير الشعاعي التفتيشي (DDSM)، حقق أفضل نموذج منفرد قيمة AUC قدرها 0.88 للصورة الواحدة، وعند استخدام متوسط أربع نماذج تحسن أداء AUC إلى 0.91 (الحساسية: 86.1%، والخصوصية: 80.1%). وعلى مجموعة التحقق من صور التصوير الشعاعي الرقمية الكاملة (FFDM) من قاعدة بيانات INbreast، حقق أفضل نموذج منفرد قيمة AUC قدرها 0.95 للصورة الواحدة، وارتفع أداء AUC إلى 0.98 عند استخدام متوسط أربع نماذج (الحساسية: 86.7%، والخصوصية: 96.1%). كما أظهرنا أن تصنيفًا للصورة الكاملة تم تدريبه باستخدام نهجنا من البداية إلى النهاية على صور التصوير الشعاعي الفيلمية الرقمية من قاعدة بيانات DDSM يمكن نقله إلى صور التصوير الشعاعي الرقمية الكاملة (FFDM) من قاعدة بيانات INbreast، باستخدام فقط جزء من بيانات INbreast للتعديل الدقيق (fine-tuning)، دون الحاجة إلى توفر تسميات الورم إضافيًا. تُظهر هذه النتائج أن الطرق الآلية للتعلم العميق يمكن تدريبها بسهولة لتحقيق دقة عالية على منصات تصوير شعاعي متنوعة، وتملك إمكانات هائلة لتحسين الأدوات السريرية وتقليل نتائج التصوير الشعاعي التفتيشي الخاطئة (الإيجابيات الكاذبة والسلبيات الكاذبة).