본 논문에서는 전이 학습(transfer learning) 기법을 활용한 새로운 딥 신경망 아키텍처를 제안한다. 이 아키텍처는 사전 훈련된 VGG16 모델의 block4 pool 계층까지의 모든 레이어를 고정(freezing)하고, 이를 난수 초기화된 단순한 Inception 블록 모듈(무작위 초기화된 Naïve Inception 블록 모듈)의 레이어들과 연결(concatenating)하여 구성하였다. 이와 더불어, 제안된 아키텍처에 배치 정규화(batch normalization), 평탄화(flatten), 드롭아웃(dropout), 그리고 밀집(dense) 레이어를 추가하였다. 제안한 전이 학습 네트워크인 VGGIN-Net은 더 큰 ImageNet 객체 데이터셋에서 얻은 도메인 지식을 더 작은 불균형적인 유방암 데이터셋으로 효과적으로 전이할 수 있도록 한다. 제안된 모델의 성능을 향상시키기 위해 드롭아웃과 데이터 증강(data augmentation)을 통해 정규화(regularization) 기법을 적용하였다. 또한, 다양한 배율(factor)을 가진 이미지에 대해 블록 단위의 세밀한 미세조정(block-wise fine tuning)을 수행하였다. 광범위한 실험 결과는 미세조정 적용 후 분류 성능이 상당히 향상됨을 보여준다. 전이 학습과 미세조정을 통합한 제안된 딥 러닝 아키텍처는 BreakHis 유방암 데이터셋 분류에 있어 다른 최신 기술들에 비해 가장 높은 정확도를 달성하였다. 제안된 아키텍처는 다른 유방암 데이터셋에 대해서도 효과적인 전이 학습이 가능하도록 설계되어 있다.