اكتشاف أمراض الصدر من صور الأشعة السينية للصدر كان مجالًا نشطًا للبحث في العقد الماضي. حاولت معظم الطرق السابقة التركيز على الأعضاء المصابة في الصورة من خلال تحديد المناطق المكانية المسؤولة عن المساهمات الهامة في تنبؤات النموذج. بخلاف ذلك، يحدد الأطباء الشعاعيون المحترفون أولاً الهياكل التشريحية البارزة قبل تحديد ما إذا كانت تلك المناطق غير طبيعية. لذلك، يمكن أن يؤدي دمج المعرفة التشريحية داخل نماذج التعلم العميق إلى تحسين كبير في تصنيف الأمراض بشكل آلي. انطلاقًا من هذا الدافع، نقترح Anatomy-XNet، وهو شبكة تصنيف أمراض الصدر التي تعتمد على الانتباه التشريحي وتفضل الخصائص المكانية التي توجهها المناطق التشريحية المحددة مسبقًا. نعتمد طريقة التعلم شبه المنظومي (Semi-Supervised Learning) باستخدام التسميات الصغيرة الحجم على مستوى الأعضاء المتاحة لتحديد المناطق التشريحية في مجموعات البيانات الكبيرة حيث تكون التسميات على مستوى الأعضاء غائبة. يستخدم Anatomy-XNet المقترح الشبكة DenseNet-121 المدربة مسبقًا كشبكة أساس مع وحدتين مهيكلتين متوافقتين، وهما انتباه الهياكل التشريحية (Anatomy Aware Attention (A$^3$3)) وجمع الوسائل المرجح احتماليًا (Probabilistic Weighted Average Pooling (PWAP))، ضمن إطار متناسق لتعلم الانتباه التشريحي. نثبت تجريبيًا أن طريقة النموذج المقترحة تحدد معيارًا جديدًا رائدًا في المجال من خلال تحقيق درجة AUC قدرها 85.78٪ و92.07٪ و84.04٪ على ثلاث مجموعات بيانات علنية كبيرة لصور الأشعة السينية للصدر--NIH وStanford CheXpert ومجموعة MIMIC-CXR، على التوالي. هذا ليس فقط يثبت فعالية استخدام معرفة تقسيم الهياكل التشريحية لتحسين تصنيف أمراض الصدر، بل يظهر أيضًا قابلية تعميم الإطار المقترح.