الورم الثديي هو النوع الأكثر شيوعًا من السرطان عند النساء على مستوى العالم، ويمثل حوالي 12% من الحالات الجديدة المبلغ عنها و6.5% من حالات الوفاة الناتجة عن السرطان في عام 2018. تُعد فحوصات الأشعة السينية للثدي (الماموغرام) أمرًا بالغ الأهمية للكشف المبكر عن سرطان الثدي. يُعد تقييم صور الماموغرام مهمة معقدة تتميز بتباين كبير ناتج عن الخبرة المهنية والأخطاء البشرية، مما يوفر فرصة لاستخدام أدوات مساعدة لتحسين الموثوقية والدقة. زاد استخدام التعلم العميق في تحليل الصور الطبية، حيث يُسهم في مساعدة المتخصصين في الكشف المبكر، والتشخيص، والعلاج، أو التنبؤ بمسار الأمراض. في هذا المقال، نقارن بين أداء خوارزميتي XGBoost وVGG16 في مهمة كشف سرطان الثدي باستخدام صور ماموغرام رقمية من مجموعة بيانات CBIS-DDSM. بالإضافة إلى ذلك، نُجري مقارنة بين دقة التنبؤ باستخدام الصور الكاملة للفحص الماموغرامي مقابل القطع (Patches) المستخرجة من الصور الأصلية بناءً على مناطق الاهتمام (ROI) التي علّقها خبراء. ونُجري أيضًا تجارب باستخدام التعلم المنقول (Transfer Learning) وتمديد البيانات (Data Augmentation) للاستفادة من تنوع البيانات، وقدرة استخراج الميزات، والتعلم من البيانات الخام غير المعالجة. أظهرت النتائج التجريبية أن خوارزمية XGBoost حققت أداءً بـ 68.29% في مؤشر AUC، في حين حققت VGG16 أداءً قريبًا جدًا بـ 68.24% في نفس المؤشر.