أظهرت التطورات الحديثة في التعلم العميق ورؤية الحاسوب تقليلًا كبيرًا للعوائق أمام التحليل التلقائي للصور الطبية، مما مكّن الخوارزميات من معالجة الصور دون تسميات وتحسين الأداء. ومع ذلك، تُعاني التقنيات الحالية من متطلبات حسابية عالية جدًا، وتنخفض أداؤها بشكل كبير عند تقليل حجم الدفعة (batch size) أو عدد دورات التدريب (training epochs). تقدم هذه الورقة منهجًا جديدًا للتعلم الذاتي يُسمى "الإشراف الذاتي عبر المعمارية المتقاطعة" (Cross Architectural - Self Supervision، CASS)، والذي يستفيد من خوارزميات التحويل (Transformer) والشبكات العصبية التلافيفية (CNN) معًا. ونُظهر تجريبيًا، مقارنةً بالأساليب الحالية الرائدة في التعلم الذاتي، أن الشبكات العصبية التلافيفية والمحولات المدربة باستخدام CASS حققت متوسط تحسن بنسبة 3.8% عند استخدام 1% من البيانات المُسمّاة، و5.9% عند استخدام 10%، و10.13% عند استخدام 100% من البيانات، مع تقليل الوقت المستهلك بنسبة 69%. كما نُظهر أن CASS أكثر مقاومة للتغيرات في حجم الدفعة وعدد دورات التدريب. وبشكل مميز، تضمن أحد مجموعات البيانات المستخدمة في الاختبار شرائح علم الأمراض النسيجي لمرض مناعي ذاتي، وهو حالة طبية نادرة البيانات، وتم تجاهلها سابقًا في مجال التصوير الطبي. تم إتاحة الشفرة المصدرية للنظام مفتوحة المصدر عبر GitHub.