从组织病理学图像中自动进行的乳腺癌多分类在计算机辅助乳腺癌的诊断或预后中起着关键作用。 乳腺癌的多分类是为了识别乳腺癌的下属类别(杜氏癌,纤维腺瘤,小叶癌等)。 但是,根据组织病理学图像对乳腺癌进行多分类面临以下两个主要挑战:(1)与二元分类(良性和恶性)相比,乳腺癌多分类方法存在很大的困难;以及(2)由于高分辨率图像外观的广泛变化,癌细胞的高相干性以及颜色分布的广泛不均匀性,因此可以将其分为多个类别。 因此,从组织病理学图像自动进行乳腺癌的多分类具有重要的临床意义,但从未进行过探索。 文献中的现有著作仅关注二元分类,但不支持进一步的乳腺癌定量评估。 在这项研究中,我们提出了使用新提出的深度学习模型的乳腺癌多分类方法。 结构化深度学习模型在大规模数据集上取得了出色的性能(平均93.2%的准确性),这证明了我们的方法在为临床环境中的乳腺癌多分类提供有效工具方面的优势。