في هذه الورقة، قمنا بعرض معمارية جديدة للشبكة العصبية العميقة تعتمد على نهج نقل التعلم، تتكون من تجميد وربط جميع الطبقات حتى طبقة block4 pool في نموذج VGG16 المُدرّب مسبقًا (على المستوى السفلي) مع طبقات وحدة Inception بسيطة مُهيأة عشوائيًا (على المستوى العلوي). علاوةً على ذلك، أضفنا طبقات التطبيع الدفعي (Batch Normalization)، والتمطيط (Flatten)، والانطفاء (Dropout)، والطبقات الكثيفة (Dense) في المعمارية المقترحة. يُسمى شبكتنا المُنقلة باسم VGGIN-Net، وهي تُسهّل نقل المعرفة الحقلية من مجموعة بيانات الصور الكبيرة ImageNet إلى مجموعة بيانات سرطان الثدي الصغيرة وغير المتوازنة. ولتحسين أداء النموذج المقترح، تم استخدام الت régularization من خلال الانطفاء (Dropout) وتكبير البيانات (Data Augmentation). تم إجراء عملية دقيقة للضبط الدقيق (Fine-tuning) على مستوى الكتل (Block-wise) على الشبكة العميقة المُنقلة المقترحة، باستخدام صور ذات عوامل تكبير مختلفة. تشير نتائج التجارب الواسعة إلى تحسن كبير في أداء التصنيف بعد تطبيق الضبط الدقيق. وتعطي المعمارية العميقة المقترحة مع نقل التعلم والضبط الدقيق أعلى دقة مقارنةً بالأساليب الحديثة الأخرى في تصنيف مجموعة بيانات BreakHis لسرطان الثدي. وتم تصميم المعمارية المفصلة بطريقة تسمح بتعلم النقل الفعّال على مجموعات بيانات سرطان الثدي الأخرى.