يُعد سرطان الثدي من أكثر أنواع السرطانات شيوعًا وقُتلًا بين النساء على مستوى العالم. وعلى الرغم من استخدام تقنيات غير جراحية مثل التصوير بالموجات فوق الصوتية والتصوير الشعاعي (الماموغرام) في التشخيص، يُعتبر الفحص النسيجي بعد أخذ عينة خزعة (البيوبسي) المعيار الذهبي. ومع ذلك، فإن الفحص اليدوي للأنسجة لاكتشاف التغيرات غير الطبيعية يُعد عملًا مجهدًا ومرتفع التكلفة، ويحتاج إلى معرفة مسبقة في المجال. وتمثل الكشف المبكر، والتوعية، والوصول إلى البنية التحتية الطبية المتخصصة في المناطق المحدودة الموارد والبعيدة عن المراكز الحضرية تحديات كبيرة، لكنها أمر بالغ الأهمية لإنقاذ الأرواح. في السنوات الأخيرة، أظهرت النماذج القائمة على التعلم العميق نتائج واعدة في كشف سرطان الثدي، بفضل التطورات في ذاكرة وحدات معالجة الرسومات (GPU)، وقدرة الحوسبة، وتوفر البيانات الرقمية. مستلهمين من هذه الملاحظات، نقترح نموذج شبكة عصبية تلافيفية عميقة يُسمى Breast-NET للكشف عن سرطان الثدي وتصنيفه باستخدام صور نسيجية. تم تقييم أداء نموذجنا على مجموعة بيانات BreakHis، ونُظهر قدرته على التعميم على مجموعتي بيانات تصنيف سرطان القناة الدهنية الغازي (IDC) وبيانات سرطان القناة الدهنية الغازي (IDC). وتوصلت التحليلات التجريبية والإحصائية الواسعة، بالإضافة إلى دراسة التحليل التبادلي (Ablation Study)، إلى تأكيد كفاءة النموذج المقترح. علاوةً على ذلك، نُظهر فعالية التعلم المنقول (Transfer Learning) باستخدام سبعة نماذج مسبقة التدريب من الشبكات العصبية التلافيفية في الكشف عن سرطان الثدي وتصنيفه. وأظهرت النتائج التجريبية أن إطار عملنا يتفوق على الطرق الحالية الأكثر تطورًا من حيث الدقة، واستهلاك المساحة، وتعقيد الحوسبة، على مجموعات بيانات BreakHis وIDC التصنيفية وIDC.