Brustkrebs ist eine weltweit verbreitete und hochletale Krebserkrankung, die Frauen betrifft. Obwohl nicht-invasive Verfahren wie Ultraschall und Mammographie zur Diagnose eingesetzt werden, gilt die histologische Untersuchung nach Biopsie als Goldstandard. Die manuelle Untersuchung von Gewebeproben auf Anomalien ist jedoch arbeitsintensiv, kostspielig und erfordert vorherige fachliche Expertise. Früherkennung, Aufklärung und der Zugang zu spezialisierten medizinischen Infrastrukturen in ressourcenarmen und abgelegenen Regionen stellen erhebliche Herausforderungen dar, sind jedoch entscheidend für die Rettung von Leben. In den letzten Jahren haben tiefen Lernansätze vielversprechende Ergebnisse bei der Erkennung von Brustkrebs gezeigt, unterstützt durch Fortschritte in der GPU-Speicherkapazität, der Rechenleistung und der Verfügbarkeit digitaler Daten. Ausgehend von diesen Beobachtungen stellen wir das Breast-NET-Modell, ein tiefes konvolutionelles neuronales Netzwerk, zur Erkennung und Grading von Brustkrebs unter Verwendung histologischer Bilder vor. Die Leistungsfähigkeit unseres Modells wird anhand der BreakHis-Datenbank evaluiert, und wir zeigen dessen Generalisierungsfähigkeit an den Datensätzen für invasiven ductalen Karzinom (IDC) und IDC-Grading. Eine umfassende experimentelle und statistische Leistungsanalyse sowie eine Ablationsstudie bestätigen die Effizienz des vorgeschlagenen Modells. Darüber hinaus demonstrieren wir die Wirksamkeit von Transferlernen mit sieben vortrainierten konvolutionellen neuronalen Netzwerken für die Erkennung und das Grading von Brustkrebs. Die experimentellen Ergebnisse zeigen, dass unser Framework sowohl hinsichtlich Genauigkeit, Speicherbedarf als auch Rechenaufwand gegenüber aktuellen State-of-the-Art-Ansätzen bei den Datensätzen BreakHis, IDC-Grading und IDC übertrifft.