يقدم هذا العمل طريقة جديدة للتدريب المسبق ذاتيًا لتعلم تمثيلات فعالة دون تسميات على صور طبية في علم الأمراض النسيجي من خلال استخدام عوامل التكبير. تركز معظم الأعمال الرائدة الأخرى بشكل أساسي على نماذج التعلم الإشرافي الكامل التي تعتمد بشكل كبير على التسميات البشرية. ومع ذلك، فإن نقص البيانات المسمّاة وغير المسمّاة يظل تحديًا قائمًا في مجال علم الأمراض النسيجي. حاليًا، لم يتم استكشاف تعلم التمثيلات دون تسميات بشكل كافٍ في هذا المجال. الطريقة المقترحة، وهي مطابقة العوامل التكبيرية للتباين والتشابه (MPCS)، تمكن من تعلم التمثيلات ذاتيًا دون تسميات على مجموعة بيانات سرطان الثدي الصغيرة الحجم BreakHis من خلال الاستفادة من عامل التكبير، ونقل الاستقراء، وتقليل الأولويات البشرية. أظهرت الطريقة المقترحة أداءً مكافئًا لأفضل الأداء في تصنيف الخلايا السرطانية عند استخدام 20٪ فقط من التسميات في التعديل الدقيق، كما أنها تتفوق على الأعمال السابقة في إعدادات التعلم الإشرافي الكامل. تتضمن هذه الدراسة صياغة فرضية وتوفير دليل تجريبي لدعم فكرة أن تقليل الأولويات البشرية يؤدي إلى تعلم تمثيلات أكثر كفاءة في البيئة الذاتية الإشرافية. يمكن الوصول إلى تنفيذ هذا العمل عبر الإنترنت على GitHub -https://github.com/prakashchhipa/Magnification-Prior-Self-Supervised-Method