Para apoyar a los patólogos en el diagnóstico de tumores de mama, el aprendizaje profundo juega un papel crucial en el desarrollo de métodos de clasificación de imágenes histológicas de diapositivas completas (WSI). Sin embargo, la clasificación automática es un desafío debido a los datos de alta resolución y la escasez de datos de entrenamiento representativos. Para abordar estas limitaciones, proponemos un clasificador multi-clase de imágenes histológicas de tumores de mama basado en aprendizaje profundo, integrado con un modelo de aumento de datos de alta resolución para procesar toda la diapositiva explorando su información local y global y generando sus diferentes versiones sintéticas. La idea clave es realizar la clasificación y el aumento en el espacio latente de características, reduciendo el costo computacional mientras se preserva la etiqueta de clase de la entrada. Adoptamos un método de multi-clasificación basado en aprendizaje profundo y evaluamos la contribución dada por un modelo de aumento de datos basado en una red generativa adversarial condicional en el rendimiento del clasificador para tres clases de tumores en el conjunto de datos del BRIGHT Challenge. El método propuesto nos ha permitido alcanzar un F1 promedio igual a 69.5, considerando solo el conjunto de datos WSI del Challenge. Los resultados son comparables a los obtenidos por el método ganador del Challenge (71.6), también entrenado en el conjunto de datos de la región tumoral anotada del Challenge.