Brusttumoren sind weltweit die häufigste Krebsart bei Frauen und stellten 2018 etwa 12 % der gemeldeten Neuerkrankungen sowie 6,5 % der Krebstodesfälle dar. Die Mammographie-Screening-Untersuchungen sind von entscheidender Bedeutung für die Früherkennung von Brustkrebs. Die Beurteilung von Mammogrammen ist eine komplexe Aufgabe, die aufgrund von Unterschieden im fachlichen Erfahrungshintergrund und menschlichen Fehlern erhebliche Variabilität aufweist – ein Bereich, in dem unterstützende Werkzeuge sowohl die Zuverlässigkeit als auch die Genauigkeit verbessern können. Der Einsatz von Deep Learning in der medizinischen Bildanalyse hat zugenommen und Spezialisten bei der Früherkennung, Diagnose, Therapieplanung und Prognose von Erkrankungen unterstützt. In diesem Artikel vergleichen wir die Leistungsfähigkeit von XGBoost und VGG16 bei der Erkennung von Brustkrebs anhand digitaler Mammogramme aus dem CBIS-DDSM-Datensatz. Zudem führen wir einen Vergleich der Vorhersagegenauigkeit zwischen vollständigen Mammogrammbildern und aus den Originalbildern extrahierten Bildpatches durch, wobei die Regionen von Interesse (ROI) von Experten annotiert wurden. Darüber hinaus führen wir Experimente mit Transfer Learning und Datenaugmentation durch, um die Vielfalt der Daten auszunutzen sowie die Fähigkeit zur Merkmalsextraktion und zum Lernen aus rohen, unverarbeiteten Bilddaten zu evaluieren. Die experimentellen Ergebnisse zeigen, dass XGBoost eine AUC von 68,29 % erzielt, während VGG16 eine vergleichbare Leistung von etwa 68,24 % in Bezug auf die AUC erreicht.