تم استخدام التعلم متعدد الأمثلة (MIL) بشكل متزايد في تصنيف صور الشريحة الهيستوباثولوجية الكاملة (WSIs). ومع ذلك، لا تزال الطرق المستخدمة في MIL لحل هذه المشكلة المحددة تواجه تحديات فريدة، خاصة تلك المتعلقة بمجاميع عينات صغيرة. في هذه الحالات، يكون عدد صور WSIs (أكياس) محدودًا، في حين أن دقة كل صورة واحدة عالية جدًا، مما يؤدي إلى عدد كبير جدًا من القطع (الInstances) المستخرجة من هذه الصورة. ولحل هذه المشكلة، نقترح تضخيم عدد الأكياس بشكل افتراضي من خلال إدخال مفهوم "الأكياس الاصطناعية" (pseudo-bags)، وبناء إطار عمل ثنائي الطبقات لاستخدام الخصائص الداخلية بكفاءة. بالإضافة إلى ذلك، نُسهم أيضًا في استخلاص احتمالات الـInstances ضمن إطار عمل MIL القائم على الانتباه، ونستخدم هذا الاستخلاص لمساعدتنا في بناء تحليل الإطار المقترح. أظهرت الطريقة المقترحة أداءً أفضل بكثير مقارنةً بالطرق الحديثة الأخرى على مجموعة بيانات CAMELYON-16، كما أنها تتفوّق أيضًا في الأداء على مجموعة بيانات سرطان الرئة من TCGA. يُعد الإطار المقترح جاهزًا للتوسع في تطبيقات MIL الأوسع نطاقًا. يمكن الوصول إلى الكود من خلال: https://github.com/hrzhang1123/DTFD-MIL