Las imágenes patológicas son cruciales para el diagnóstico de tumores; sin embargo, debido a su resolución extremadamente alta, los patólogos a menudo dedican tiempo y esfuerzo considerable en analizarlas. Además, los resultados diagnósticos pueden estar significativamente influenciados por el juicio subjetivo. Con el rápido avance de las tecnologías de inteligencia artificial, los modelos de aprendizaje profundo ofrecen nuevas posibilidades para el diagnóstico de imágenes patológicas, permitiendo a los patólogos diagnosticar de manera más rápida, precisa y confiable, mejorando así la eficiencia del trabajo. Este documento propone un novedoso módulo de Atención Espacial de Canal Global (GCSA) destinado a mejorar la capacidad representativa de los mapas de características de entrada. El módulo combina atención de canal, reordenamiento de canal y atención espacial para capturar dependencias globales dentro de los mapas de características. Al integrar el módulo GCSA en la arquitectura SegFormer, la red, llamada GCSA-SegFormer, puede capturar de manera más precisa la información global y las características detalladas en escenarios complejos. La red propuesta fue evaluada en un conjunto de datos de hígado y en el conjunto de datos BACH ICIAR 2018 disponible públicamente. En el conjunto de datos de hígado, GCSA-SegFormer logró un aumento del 1,12% en MIoU y un aumento del 1,15% en MPA en comparación con los modelos base. En el conjunto de datos BACH, mejoró MIoU en un 1,26% y MPA en un 0,39% en comparación con los modelos base. Además, se compararon las métricas de rendimiento de esta red con siete tipos diferentes de segmentación semántica, mostrando buenos resultados en todas las comparaciones.