رغم التقدم الملحوظ في تقنية التعلم العميق، لا تزال تحقيق الأداء المرضي في تصنيف أصوات الرئة يمثل تحديًا بسبب ندرة البيانات المتاحة. بالإضافة إلى ذلك، يتم جمع عينات الصوت التنفسي من مجموعة متنوعة من المجسات الإلكترونية (الستيثوسكوبات)، مما قد يُدخل تحيزات في النماذج المدربة. عندما يحدث تحول كبير في التوزيع داخل مجموعة الاختبار أو في سيناريو عملي، يمكن أن يقلل هذا بشكل كبير من الأداء. لمعالجة هذه المشكلة، نقدم تقنيات التكيف بين المجالات (cross-domain adaptation)، التي تقوم بنقل المعرفة من مجال المصدر إلى مجال الهدف المختلف. وبشكل خاص، عن طريق اعتبار أنواع المجسات المختلفة كمجالات فردية، نقترح نهجًا جديدًا للتعلم التضادي الإشرافي بقيادة المجس (stethoscope-guided supervised contrastive learning). يمكن لهذا النهج تخفيف أي اختلافات مرتبطة بالمجال وبالتالي تمكين النموذج من تمييز أصوات الجهاز التنفسي بغض النظر عن الاختلافات في تسجيل المجس. تظهر نتائج التجارب على مجموعة بيانات ICBHI أن الأساليب المقترحة فعالة في تقليل الاعتماد على المجال وتحقيق درجة ICBHI قدرها 61.71٪، وهي تحسين كبير بنسبة 2.16٪ مقارنة بالنموذج الأساسي.