Enfermedades relacionadas con el cáncer son algunos de los principales riesgos para la salud que afectan a las personas a nivel global, especialmente el cáncer de mama. Los casos de cáncer de mama entre las mujeres persisten, y en muchos casos los primeros indicadores de la enfermedad pasan desapercibidos. Por lo tanto, el cáncer de mama puede ser tratado de manera efectiva si la detección se realiza correctamente y el cáncer se clasifica en las etapas iniciales. Sin embargo, el diagnóstico directo de imágenes de mamografía y ultrasonido es un proceso muy intrincado y que consume mucho tiempo, que puede ser mejor realizado con la ayuda de un profesional. El diagnóstico manual basado en imágenes de mamografía puede ser engorroso y a menudo requiere la intervención de profesionales. A pesar de varias estrategias basadas en inteligencia artificial en la literatura, la similitud en las regiones de cáncer y no cáncer, la extracción de características irrelevantes y los modelos mal entrenados son problemas persistentes. Este artículo presenta una nueva Red de Atención de Múltiples Características (MFAN, por sus siglas en inglés) para la clasificación del cáncer de mama que funciona bien para lesiones pequeñas y contextos similares. MFAN tiene dos módulos importantes: el McSCAM y el GLAM para la Fusión de Características. Durante la fusión de canales, McSCAM puede preservar las características espaciales y extraer información estadística de alto orden, mientras que el GLAM ayuda a reducir las diferencias de escala entre las características fusionadas. Las ramas de atención global y local también ayudan a la red a identificar de manera efectiva las regiones de lesiones pequeñas al obtener información global y local. Basado en los resultados experimentales, el MFAN propuesto es un modelo de clasificación potente que puede clasificar subtipos de cáncer de mama al mismo tiempo que proporciona una solución a los problemas actuales en el diagnóstico del cáncer de mama en dos conjuntos de datos públicos.