Nell’ambito dell’imaging medico, la mammografia è un esame di screening che si occupa di identificare potenziali masse all’interno del seno. Le mammografie prevedono l’acquisizione di due viste per mammella lungo angolazioni diverse che consentono di escludere più facilmente i falsi positivi, che spesso compaiono quando si analizza un'unica vista. Tuttavia, a differenza dei radiologi, i modelli in letteratura sviluppati per la classificazione di lesioni non integrano le feature provenienti da più viste in modo locale ma solo le informazioni a livello globale: ciò rappresenterebbe un valore aggiunto nella classificazione di un reperto. Questa tesi di ricerca analizza ed implementa una particolare architettura neurale, chiamata Anatomy-aware Graph convolutional Network (AGN), che ha come obiettivo la feature fusion tra viste diverse, al fine di poter eseguire un task di triage effettuando predizioni case-level.