L’identification automatique des patients présentant des sous-types luminaux ou non-luminaux lors d’un dépistage mammographique régulier peut aider les cliniciens à optimiser la planification du traitement du cancer du sein. Les techniques récentes d’apprentissage automatique ont montré des résultats prometteurs dans la classification des sous-types moléculaires à partir de mammographies ; toutefois, elles dépendent fortement d’étiquetages au niveau des pixels, ainsi que de caractéristiques manuellement conçues ou radiomiques. Dans ce travail, nous apportons des premières insights sur la classification des sous-types luminaux à partir d’images mammographiques complètes, entraînées uniquement à l’aide d’étiquettes au niveau de l’image. Une technique d’apprentissage par transfert est appliquée à partir d’une tâche de classification des anomalies mammaires, afin de finetuner une classification des sous-types luminaux versus non-luminaux basée sur ResNet-18. Nous présentons et comparons nos résultats sur le jeu de données public CMMD, et démontrons que notre approche surpasse significativement le classificateur de base, en atteignant un score moyen d’AUC de 0,6688 et un score moyen de F1 de 0,6693 sur le jeu de test. L’amélioration par rapport au modèle de base est statistiquement significative, avec une valeur de p < 0,0001.