تشكل التشريح المرضي (Histopathology) المعيار الذهبي في تشخيص السرطان، حيث تلعب التقارير السريرية دورًا حاسمًا في تفسير وفهم هذه العملية، مما يوجه علاج السرطان والعناية بالمرضى. يمكن أن يعزز تلقائي إنشاء التقارير التشريحية المرضية باستخدام التعلم العميق بشكل كبير الكفاءة السريرية ويقلل من العبء الشاق والمستهلك للوقت على علماء الأمراض في كتابة التقارير. في إطار سعيها لتحقيق هذا التقدم، نقدم HistGen، وهو إطار مدعوم بتعلم النماذج المتعددة (Multiple Instance Learning) لإنشاء تقارير التشريح المرضي مع أول مجموعة بيانات مرجعية لتقييم الأداء. مستوحاة من عمليات التشخيص وإعداد التقارير، تتضمن HistGen وحدتين مصممتين بدقة، بهدف تعزيز إنشاء التقرير من خلال مواءمة الصور الشاملة للشرائح (Whole Slide Images - WSIs) والتقارير التشخيصية من الجوانب المحلية والعالمية. لتحقيق ذلك، تم تطوير مشفّر هرمي محلي-عالمي لجمع الخصائص البصرية بكفاءة من وجهة نظر المنطقة إلى الشرائح. وفي الوقت نفسه، تم اقتراح وحدة سياق متعددة الأوضاع (Cross-modal Context Module) لتسهيل التناسق والتفاعل بين الأوضاع المختلفة بشكل صريح، مما يربط الفجوة بين المتسلسلات البصرية الواسعة للشرائح الشاملة والتقارير الملخصة للغاية المرتبطة بها. أظهرت النتائج التجريبية لإنشاء تقارير الشرائح الشاملة أن النموذج المقترح يتفوق على النماذج الرائدة (State-of-the-Art - SOTA) بمقدار كبير. بالإضافة إلى ذلك، أثبتت نتائج ضبط النموذج الدقيق لأهداف تصنيف السرطان وتحليل البقاء فعالية أعلى مقارنة بالطرق الرائدة، مما يبرز قدرته القوية على التعلم القابل للنقل. يمكن الوصول إلى مجموعة البيانات وأوزان النموذج وكود المصدر عبر الرابط: https://github.com/dddavid4real/HistGen.