ディープラーニング（深層学習）と呼ばれる機械学習手法の急速な発展により、医療画像診断への応用に対する関心が高まっている。本研究では、「エンドツーエンド（end-to-end）」学習アプローチを用いたディープラーニングアルゴリズムを構築した。この手法は、完全な臨床的アノテーションが付与されたデータセット、あるいは画像全体の癌有無（ラベル）のみが提供されているデータセットを効率的に活用できる。本アプローチでは、病変領域のアノテーションは初期学習段階でのみ必要とされ、その後の段階では画像レベルのラベルのみで十分であり、稀にしか入手できない病変レベルのアノテーションに依存しなくなる。本研究で提案する全畳み込みネットワーク（all convolutional network）法は、従来の手法と比較して優れた性能を示した。Digital Database for Screening Mammography（DDSM）のデジタル化フィルムマンモグラフィ画像から構成される独立テストセットにおいて、最良の単一モデルは画像単位のAUC（受信者操作特性曲線下の面積）0.88を達成し、4モデルの平均化によりAUCは0.91まで向上した（感度：86.1％、特異度：80.1％）。また、INbreastデータベースの全フィールドデジタルマンモグラフィ（FFDM）画像を用いた検証セットでは、最良の単一モデルが画像単位のAUC 0.95を達成し、4モデル平均化によりAUCは0.98まで向上した（感度：86.7％、特異度：96.1％）。さらに、本研究では、DDSMのデジタル化フィルムマンモグラフィ画像を用いてエンドツーエンド学習で訓練された画像全体の分類器が、INbreastデータセットの一部を用いたファインチューニングのみで、INbreastのFFDM画像に転移可能であることを実証した。この際、病変アノテーションの追加的な入手は不要である。これらの結果から、異種のマンモグラフィプラットフォームにおいても、自動的なディープラーニング手法を容易に高精度に訓練可能であることが示され、誤検出および漏れ検出を低減する臨床ツールの向上に大きな可能性を秘めている。