El cáncer de mama (BC) es una de las formas mortales de cáncer, causando mortalidad en todo el mundo en la población femenina. Los procedimientos de imagen estándar para el cribado de BC involucran mamografía y ultrasonografía. Sin embargo, estos procedimientos de imagen no pueden diferenciar entre subtipos de cánceres benignos y malignos. Aquí, las imágenes de histopatología podrían proporcionar una mayor sensibilidad hacia los subtipos de cáncer benigno y maligno. Recientemente, los transformadores de visión han estado ganando atención en la imagen médica debido a su éxito en varias tareas de visión por computadora. Swin transformer (SwinT) es una variante de transformador de visión que trabaja en el concepto de ventanas desplazadas no superpuestas y es un método probado para varias tareas de detección visual. Así, en este estudio, investigamos la capacidad de un conjunto de SwinTs en la clasificación de dos clases de benigno vs. maligno y la clasificación de ocho clases de cuatro subtipos benignos y cuatro malignos, utilizando un conjunto de datos BreaKHis disponible públicamente que contiene 7909 imágenes de histopatología adquiridas a diferentes factores de zoom de 40x, 100x, 200x y 400x. El conjunto de SwinTs (incluyendo tamaños tiny, small, base y large) demostró una precisión promedio de prueba del 96.0% para las ocho clases y del 99.6% para la clasificación de dos clases, superando a todos los trabajos anteriores. Así, un conjunto de SwinTs podría identificar subtipos de BC utilizando imágenes histopatológicas y podría llevar al alivio del patólogo.