深度学习作为一类机器学习技术，其快速发展激发了人们在医学影像领域应用该技术的浓厚兴趣。本文提出一种深度学习算法，采用“端到端”训练方法，能够准确检测筛查乳腺X线摄影图像中的乳腺癌。该方法可高效利用具有完整临床标注的数据集，或仅包含图像整体癌症状态（标签）的数据集。在该框架中，仅需在初始训练阶段引入病灶标注，后续训练阶段仅需图像级别的标签，从而摆脱对罕见且难以获取的病灶标注的依赖。我们提出的全卷积网络方法在筛查乳腺X线图像分类任务中表现优异，显著优于以往方法。在数字筛查乳腺X线数据库（DDSM）的数字化胶片乳腺X线图像独立测试集上，最优单模型的每图像AUC达到0.88，四模型平均后AUC提升至0.91（敏感性：86.1%，特异性：80.1%）。在INbreast数据库的全视野数字乳腺X线图像（FFDM）验证集上，最优单模型的每图像AUC达到0.95，四模型平均后AUC进一步提升至0.98（敏感性：86.7%，特异性：96.1%）。此外，我们还证明，基于DDSM数字化胶片乳腺X线图像，采用端到端方法训练的整图分类器，仅需使用INbreast数据集的子集进行微调，即可成功迁移到INbreast的FFDM图像上，且无需额外依赖病灶标注。这些结果表明，基于自动深度学习的方法能够便捷地在异构乳腺X线成像平台中实现高精度训练，具有巨大潜力，可显著提升临床筛查工具的性能，有效减少乳腺X线筛查中的假阳性和假阴性结果。