تصنيف صور الشريحة الكاملة (WSI) باستخدام التعلم متعدد المثيلات (MIL) في الطب الرقمي يواجه تحديات حسابية كبيرة. تعتمد الطرق الحالية بشكل أساسي على التعلم ذاتي التوجيه (SSL) الواسع النطاق للحصول على أداء مرضٍ، مما يتطلب فترات تدريب طويلة وموارد حسابية كبيرة. في الوقت نفسه، يتأثر الأداء سلبًا في حال عدم وجود ما قبل التدريب، نظرًا لانزياح المجال بين الصور الطبيعية وصور WSI. نقدم معمارية "Snuffy"، وهي طريقة جديدة لاستخلاص المثيلات (MIL-pooling) تعتمد على المحولات النادرة (sparse transformers)، والتي تقلل من فقدان الأداء مع التدريب المسبق المحدود، وتمكّن من التدريب المسبق القليل التكرار المستمر كخيار تنافسي. تم تصميم نمط الندرة لدينا خصيصًا للطب patological، وتم إثباته نظريًا كمُقربٍ عام، وبأضيق حد احتمالي دقيق على عدد الطبقات في المحولات النادرة حتى تاريخه. نُظهر فعالية "Snuffy" على مجموعتي بيانات CAMELYON16 وسرطان الرئة في TCGA، حيث حققت دقة أعلى في تصنيف الصور الكاملة (WSI) والتصنيف على مستوى اللوحة (patch-level). يمكن الوصول إلى الكود من خلال الرابط: https://github.com/jafarinia/snuffy.