Die automatische Identifizierung von Patientinnen mit Luminal- und Nicht-Luminal-Subtypen während einer routinemäßigen Mammographie-Screeninguntersuchung kann Kliniker bei der Optimierung der Therapieplanung beim Brustkrebs unterstützen. Rekentechniken des maschinellen Lernens haben in jüngster Zeit vielversprechende Ergebnisse bei der molekularen Subtypklassifizierung an Mammogrammen gezeigt; sie sind jedoch stark abhängig von pixelgenauen Annotationen sowie handgezeichneten und radiomischen Merkmalen. In dieser Arbeit geben wir erste Einblicke in die Klassifizierung des Luminal-Subtyps an vollständigen Mammogrammbildern, die ausschließlich mit bildbasierten Etiketten trainiert wurden. Es wird Transferlernen aus einer Aufgabe zur Klassifizierung von Brustabnormitäten angewandt, um eine auf ResNet-18 basierende Klassifizierung zwischen Luminal- und Nicht-Luminal-Subtypen zu feinabstimmen. Wir präsentieren und vergleichen unsere Ergebnisse am öffentlich verfügbaren CMMD-Datensatz und zeigen, dass unser Ansatz den Baseline-Klassifikator signifikant übertrifft, indem er auf dem Testdatensatz einen mittleren AUC-Wert von 0,6688 und einen mittleren F1-Score von 0,6693 erreicht. Die Verbesserung gegenüber der Baseline ist statistisch signifikant, mit einem p-Wert von p < 0,0001.