El H-score es un método semicuantitativo utilizado para evaluar la presencia y distribución de proteínas en muestras de tejido al combinar la intensidad de la tinción y el porcentaje de núcleos teñidos. Se utiliza ampliamente, pero es laborioso y puede ser limitado en términos de precisión y exactitud. Los métodos asistidos por computadora pueden ayudar a superar estas limitaciones y mejorar la eficiencia de los flujos de trabajo de los patólogos. En este trabajo, desarrollamos un modelo EndoNet para el cálculo automático del H-score en diapositivas histológicas. Nuestro método propuesto utiliza redes neuronales y consta de dos partes principales. La primera es un modelo de detección que predice los puntos clave de los centros de los núcleos. La segunda es un módulo de H-score que calcula el valor del H-score utilizando los valores promedio de píxeles de los puntos clave predichos. Nuestro modelo fue entrenado y validado en 1780 mosaicos anotados con una forma de 100 x 100 um y logramos 0.77 mAP en un conjunto de datos de prueba. Obtuvimos nuestros mejores resultados en el cálculo del H-score; estos resultados demostraron ser superiores a las predicciones de QuPath. Además, el modelo se puede ajustar a un especialista específico o a todo un laboratorio para reproducir la forma de calcular el H-score. Así, EndoNet es efectivo y robusto en el análisis de diapositivas de histología, lo que puede mejorar y acelerar significativamente el trabajo de los patólogos.