بعض الدراسات الحديثة وصفت شبكات العصبونات العميقة المتكررة لتشخيص سرطان الثدي في الصور الشعاعية للثدي (الماموغرام) بأداء مماثل أو حتى أفضل من أداء الخبراء البشريين. واحدة من أفضل التقنيات تقوم بعمليتين لنقل التعلم: الأولى تستخدم نموذجًا تم تدريبه على صور طبيعية لإنشاء "مصنف الأجزاء" (patch classifier) الذي يقوم تصنيف الأجزاء الصغيرة من الصورة؛ والثانية تستخدم مصنف الأجزاء لمسح الماموغرام بالكامل وإنشاء "مصنف الصورة الكاملة من وجهة نظر واحدة" (single-view whole-image classifier). نقترح إجراء عملية نقل تعلم ثالثة للحصول على "مصنف ذو وجهتي نظر" (two-view classifier) يستخدم وجهتي النظر الماموغرامتين: ثنائية الجانبية الرأسية-السفلية (bilateral craniocaudal) والجانبية الوسطى-الخارجية (mediolateral oblique). نحن نستخدم EfficientNet كأساس لنموذجنا. نقوم بتدريب النظام بأكمله بطريقة "من النهاية إلى النهاية" (end-to-end) باستخدام مجموعة بيانات CBIS-DDSM. لضمان متانة الإحصائيات، قمنا باختبار نظامنا مرتين باستخدام: (أ) التحقق المتقاطع الخماسي المرتين (5-fold cross validation)؛ و(ب) التقسيم الأصلي للمجموعة بين التدريب والاختبار. حققت تقنيتنا معاملROC(AUC) قدره 0.9344 باستخدام التحقق المتقاطع الخماسي (حيث تكون الدقة والحساسية والمحدد 85.13% عند نقطة معدل الخطأ المتساوي في منحنى ROC). باستخدام التقسيم الأصلي للمجموعة، حققت تقنيتنا معامل ROC(AUC) قدره 0.8483، وهو حسب علم us أعلى معامل ROC(AUC) تم الإبلاغ عنه لهذه المشكلة، رغم أن الاختلافات الدقيقة في ظروف الاختبار لكل عمل لا تسمح بمقارنة دقيقة. يمكن الوصول إلى شفرة الاستدلال والنماذج عبر الرابط https://github.com/dpetrini/two-views-classifier