این مقاله به ارائه یک چارچوب مبتنی بر یادگیری عمیق برای تشخیص سرطان پستان از تصاویر ماموگرافی می‌پردازد که در آن از معماری‌های ResNet50 و VGG19 همراه با روش انجماد انتخابی لایه‌ها (Selective Layer Freezing)، تنظیم نرخ یادگیری چرخه‌ای و روش تفسیرپذیری Grad-CAM استفاده شده است. تصاویر ماموگرافی پس از پیش‌پردازش و افزایش داده، برای تشخیص نمونه‌های خوش‌خیم و بدخیم به کار گرفته شدند و Grad-CAM نیز برای مشخص‌کردن نواحی مؤثر در تصمیم‌گیری مدل، مانند توده‌ها و تغییرات غیرطبیعی بافت، مورد استفاده قرار گرفت. نتایج نشان داد که ResNet50 با نسبت انجماد ۵۰ درصد عملکرد بسیار مناسبی داشته و به دقت، precision و recall حدود ۹۷ درصد و AUC برابر با ۰٫۹۷ دست یافته است. همچنین، اعتبارسنجی خارجی نشان‌دهنده پایداری و قابلیت تعمیم روش پیشنهادی بود؛ بنابراین این پژوهش علاوه بر افزایش دقت تشخیص، بر اهمیت تفسیرپذیری مدل‌های هوش مصنوعی در کاربردهای پزشکی و تشخیص سرطان پستان تأکید دارد.