ディープラーニング（DL）の最近の進展により、乳がんスクリーニングにおけるDLに基づくコンピュータ支援診断（CAD）システムへの関心が再燃している。2次元マンモグラフィ画像分類において、パッチベースのアプローチは主要な最先端技術の一つであるが、パッチサイズの選定に固有の制約がある。すなわち、すべての病変サイズに適した唯一のパッチサイズは存在しないため、性能に影響を及ぼす。さらに、入力画像の解像度が分類性能に与える影響については、まだ完全に解明されていない。本研究では、パッチサイズおよび画像解像度が2次元マンモグラフィ画像分類器の性能に与える影響を検討した。異なるパッチサイズおよび解像度の利点を活かすために、マルチパッチサイズ分類器およびマルチ解像度分類器を提案した。これらの新規アーキテクチャは、複数のパッチサイズおよび入力画像解像度を統合することで、マルチスケール分類を実現する。公開データセットであるCBIS-DDSMではAUCが3%向上し、内部データセットでは5%向上した。ベースラインとなる単一パッチサイズ・単一解像度分類器と比較して、本研究で提案するマルチスケール分類器は、それぞれのデータセットでAUC 0.809および0.722を達成した。