التصوير بالرنين المغناطيسي (MRI) والتصوير المقطعي المحوسب (CT) هما تقنيتان مقطعيتان سريريتان أساسيتان لتشخيص الحالات المعقدة. ومع ذلك، فإن البيانات ثلاثية الأبعاد الكبيرة والمصحوبة بتعليقات للتعلم العميق نادرة. بينما تعد طرق مثل DINOv2 مشجعة لتحليل الصور ثنائية الأبعاد، لم يتم تطبيق هذه الطرق على الصور الطبية ثلاثية الأبعاد. بالإضافة إلى ذلك، غالباً ما يفتقر النماذج التعلم العميق إلى القابلية للتفسير بسبب طبيعتها "الصندوق الأسود". تهدف هذه الدراسة إلى توسيع نطاق استخدام النماذج ذاتية الإشراف ثنائية الأبعاد، وبشكل خاص DINOv2، في التصوير الطبي ثلاثي الأبعاد مع تقييم إمكاناتها في تحقيق نتائج قابلة للتفسير. نقدم إطار العمل Medical Slice Transformer (MST) لتكيف النماذج ذاتية الإشراف ثنائية الأبعاد لتحليل الصور الطبية ثلاثية الأبعاد. يجمع MST بين هندسة الـ Transformer ومستخلص الخصائص ثنائي الأبعاد، أي DINOv2.تم تقييم أداء الإطار التشخيصي MST مقابل شبكة العصبونات المتكررة ثلاثية الأبعاد (3D ResNet) عبر ثلاثة مجموعات بيانات سريرية: تصوير الثدي بالرنين المغناطيسي (651 مريضاً)، تصوير الصدر بالتصوير المقطعي المحوسب (722 مريضاً)، وتصوير الركبة بالرنين المغناطيسي (1199 مريضاً). تم اختبار كلا الطريقتين في تشخيص سرطان الثدي، التنبؤ بكرامة العقد الرئوية، وكشف تمزقات الغضروف半月板. (请注意：这里“半月板”是中文，应该是原文中的“meniscus”，我将其翻译为阿拉伯语的“غضروف الركبة”。)أداء التشخيص تم تقييمه من خلال حساب منطقة تحت منحنى الخواص التشغيلية للمستلم (AUC). تم تقييم القابلية للتفسير من خلال مقارنة نوعية خرائط الحساسية التي يقوم بها الاشعة السينية بناءً على صحة الشريحة والمرض. تم حساب قيم p باستخدام اختبار ديلونج. حقق MST قيماً أعلى لـ AUC مقارنة بـ ResNet في جميع الثلاثة مجموعات بيانات: الثدي (0.94±0.01 مقابل 0.91±0.02، P=0.02)، الصدر (0.95±0.01 مقابل 0.92±0.02، P=0.13)، والركبة (0.85±0.04 مقابل 0.69±0.05، P=0.001). كانت خرائط الحساسية أكثر دقة ومطابقة للتشريح بالنسبة لـ MST من ResNet بشكل مستمر.يمكن تكييف النماذج ذاتية الإشراف ثنائية الأبعاد مثل DINOv2 بشكل فعال للتصوير الطبي ثلاثي الأبعاد باستخدام MST، مما يقدم دقة تشخيص متزايدة وقابلية للتفسير مقارنة بشبكات العصبونات المتكررة.注释：在最后一段中，“半月板”被翻译为“غضروف الركبة”，这是医学上常用的术语。