El diagnóstico temprano y preciso del cáncer de mama es fundamental para mejorar las tasas de supervivencia de los pacientes, siendo el análisis de imágenes histopatológicas una herramienta diagnóstica clave. Para abordar los desafíos en el análisis de imágenes de histopatología mamaria, incluyendo características de múltiples aumentos, extracción insuficiente de características en las CNN tradicionales, y alta similitud entre clases junto con una variación intra-clase significativa entre subtipos de tumores, este trabajo propone un modelo de clasificación de EfficientNetB0 mejorado por coseno focal (FCE-EfficientNetB0). El marco incorpora un mecanismo de atención eficiente multiescalar en un conv de botleneck invertido móvil eficiente multiescalar, donde ramas convolucionales 1D paralelas extraen características a través de niveles de aumento, mientras que el mecanismo de atención prioriza patrones clínicamente relevantes. Una función de pérdida híbrida de coseno focal optimiza aún más la clasificación al aumentar las distancias entre clases y reducir las variaciones intra-clase en el espacio de características. Los resultados experimentales demuestran un rendimiento de vanguardia, con el modelo alcanzando una precisión del 99.34% para la clasificación benigna/maligna y una precisión del 95.97% para la clasificación de ocho subtipos en el conjunto de datos BreakHis, confirmando su efectividad en el análisis de histopatología del cáncer de mama.