Un diagnostic précis du cancer du sein dans les images histopathologiques est difficile en raison de l'hétérogénéité de la croissance des cellules cancéreuses ainsi que de la diversité des lésions prolifératives bénignes des tissus mammaires. Dans ce travail, nous proposons une solution pratique et auto-interprétable de diagnostic invasif du cancer. Avec un minimum d'informations d'annotation, la méthode proposée explore les modèles de contraste entre les images normales et malignes de manière non supervisée et génère une carte de probabilité d'anomalies pour vérifier son raisonnement. En particulier, un auto-encodeur entièrement convolutif est utilisé pour apprendre les modèles structurels dominants parmi les patchs d'image normaux. Les correctifs qui ne partagent pas les caractéristiques de cette population normale sont détectés et analysés par une machine à vecteurs de support à une classe et un réseau neuronal à une couche. Nous appliquons la méthode proposée à un ensemble public d'images du cancer du sein. Nos résultats, en consultation avec un pathologiste senior, démontrent que la méthode proposée surpasse les méthodes existantes. La carte de probabilité obtenue pourrait bénéficier à la pratique de la pathologie en fournissant des données de vérification visualisées et conduire potentiellement à une meilleure compréhension des solutions de diagnostic basées sur les données.