يمكن أن يكون النموذج الطبي التشخيصي التلقائي والمحايد ذا قيمة كبيرة لتحقيق الكشف المبكر عن السرطان، وبالتالي تقليل معدل الوفيات. في هذه الورقة، نقترح نموذجًا فعّالًا للغاية للكشف عن الأنسجة الخبيثة على مستويات متعددة من خلال التصميم المُعدّ لشبكة CAC-UNet التنافسية. تم اعتماد نموذج على مستوى القطع (patch-level) يعتمد على استراتيجية تنبؤ مسبق، بالإضافة إلى نمط تسوية التسميات الموجهة من خلال مناطق الخبث، للقضاء على الصور المقطعية الواسعة (WSIs) السلبية، مما يقلل من خطر الكشف الخاطئ. بالنسبة للقطع المميزة المختارة عبر تجميع نماذج متعددة، تم تصميم شبكة CAC-UNet (UNET ذات الوعي بالسياق والاتساق في المظهر) التنافسية لتحقيق تقسيم قوي. في شبكة CAC-UNet، تتيح المُميّزات المُصممة على شكل مرآة دمجًا سلسًا لجميع خرائط الميزات للشبكة الأساسية القوية المُصممة بعناية، دون فقدان أي معلومات. علاوةً على ذلك، تم إضافة مُسبق للقناع (mask prior) لتوجيه التنبؤ بدقة بقناع التقسيم من خلال مُميّز إضافي يعمل في مجال القناع. حقق النموذج المقترح أفضل النتائج في مسابقة MICCAI DigestPath2019 الخاصة بمهام تقسيم وتصنيف الأنسجة المستخدمة في المنظار القولوني. تتوفر التفاصيل الكاملة للتنفيذ والنماذج المدربة على الرابط التالي: https://github.com/Raykoooo/CAC-UNet.