我们提出了一种新的数字病理学分割模型，该模型基于组织病理学图像在旋转和反射下具有固有对称性的观察结果。利用近期关于旋转等变卷积神经网络（CNNs）的研究成果，所提出的模型以原则性的方式利用了这些对称性。我们展示了视觉分析，表明预测的稳定性得到了显著提高，并证明了利用旋转等变性在处理一个具有挑战性的淋巴结转移数据集时，显著提升了肿瘤检测性能。此外，我们还提出了一个新的衍生数据集，以便对机器学习模型进行原则性的比较，并结合了一个初步的基准测试。通过这一数据集，组织病理学诊断任务成为基础机器学习研究中的一个具有挑战性的基准测试问题。