إن تصنيف صور الهستوباثولوجيا القائمة على التعلم العميق يُعد تقنية أساسية تساعد الأطباء على تحسين دقة وسرعة تشخيص السرطان. ومع ذلك، فإن العلامات الضوضائية تكون غالبًا لا مفر منها في عملية الترميز اليدوية المعقدة، مما يؤدي إلى إرباك عملية تدريب نموذج التصنيف. في هذا العمل، نقدم طريقة جديدة للتعلم المقاوم للضوضاء تعتمد على التعرف على العينات الصعبة في تصنيف صور الهستوباثولوجيا. ولتمييز العينات الصعبة المفيدة عن العينات الضوضائية الضارة، نقوم ببناء نموذج كشف يُسمى EHN (سهل/صعب/ضوضاء) باستخدام تاريخ تدريب العينات. ثم ندمج نموذج EHN في بنية تدريب ذاتي لتقليل معدل الضوضاء من خلال تصحيح التسميات تدريجيًا. وباستخدام مجموعة بيانات شبه نظيفة تم الحصول عليها، نقترح بعد ذلك خطة تُسمى NSHE (تقليل الضوضاء وتعزيز العينات الصعبة) لتدريب نموذج مقاوم للضوضاء. مقارنةً بالأساليب السابقة، يمكن لطريقتنا الحفاظ على عدد أكبر من العينات النظيفة، ويمكن تطبيقها مباشرةً على مجموعات بيانات واقعية تحتوي على ضوضاء دون الحاجة إلى استخدام مجموعة نظيفة منفصلة. أظهرت النتائج التجريبية أن الطريقة المقترحة تتفوق على أحدث الطرق المتطورة في كل من مجموعات البيانات الضوضائية الاصطناعية والواقعية. يمكن الوصول إلى الكود المصدري والبيانات من خلال الرابط التالي: https://github.com/bupt-ai-cz/HSA-NRL/.