Jährlich hängen die Behandlungsentscheidungen für mehr als 230.000 Brustkrebspatienten in den USA davon ab, ob sich der Tumor außerhalb der Brust ausgebreitet hat. Die Detektion von Metastasen erfolgt derzeit durch Pathologen, die große Bereiche biologischer Gewebe untersuchen. Dieser Prozess ist arbeitsintensiv und fehleranfällig. Wir präsentieren einen Ansatz zur automatischen Erkennung und Lokalisierung von Tumoren ab einer Größe von 100 × 100 Pixeln in Gigapixel-Mikroskopiebildern mit einer Auflösung von 100.000 × 100.000 Pixeln. Unser Verfahren nutzt eine architektonische Struktur eines konvolutionellen neuronalen Netzwerks (CNN) und erzielt auf dem Camelyon16-Datensatz Ergebnisse auf dem Stand der Technik bei der anspruchsvollen Aufgabe der Läsions-level-Tumorerkennung. Bei 8 falsch-positiven Ergebnissen pro Bild erkennen wir 92,4 % der Tumoren – im Vergleich zu 82,7 % durch die bisher beste automatisierte Methode. Für den Vergleich erreichte ein menschlicher Pathologe bei einer umfassenden Suche eine Sensitivität von 73,2 %. Wir erzielen Bild-Ebene-AUC-Werte über 97 % sowohl auf dem Testset des Camelyon16-Datensatzes als auch auf einer unabhängigen Testgruppe aus 110 Schnitten. Zudem stellen wir fest, dass zwei Slides im Trainingsset des Camelyon16 fälschlicherweise als normal klassifiziert wurden. Unser Ansatz könnte die Rate falsch-negativer Ergebnisse bei der Metastasen-Detektion erheblich reduzieren.