چکیده: با وجود پیشرفت‌های شگرف شبکه‌های عصبی عمیق در تحلیل تصاویر پزشکی، رادیوگرافی دوبعدی قفسه سینه به دلیل فشرده‌سازی آناتومیک بافت‌ها، وجود سایه‌های متراکم استخوانی و تشابه بصری بالای الگوهای عفونی، همواره چالش‌های جدی برای سیستم‌های کمک‌تشخیص خودکار پدید می‌آورد. مدل‌های پیچشی کلاسیک به دلیل محدودیت در میدان دریافت موضعی و ترنسفورمرهای بینایی استاندارد به واسطه پیچیدگی محاسباتی درجه دوم، کارایی بهینه‌ای در توازن میان دقت بالینی و سرعت پردازش ندارند. در این رساله، یک معماری تلفیقی چندمقیاسه نوین مبتنی بر زوج پردازشی شبکه پیچشی و ترنسفورمر مجهز به مکانیزم توجه خطی کارآمد ارائه شده است. در متدولوژی پیشنهادی، نقشه‌های ویژگی در سطوح فرکانسی مختلف به طور هم‌زمان استخراج شده و پس از تعدیل ابعاد، وارد لایه‌های ترنسفورمر می‌شوند. ساختار محاسباتی ترنسفورمر از طریق تولید بردار پرسش فشرده با عملگر ادغام میانگین سراسری، پیچیدگی زمان و حافظه را از مرتبه نمایی به خطی تقلیل می‌دهد. ارزیابی تجربی مدل بر روی دو مجموعه داده مرجع بین‌المللی Cohen (چندکلاسی بزرگسالان) و Kermany (نامتوازن اطفال) نشان‌دهنده پایداری بالای شبکه در استخراج شاخص‌های آماری است. معماری پیشنهادی در دیتابیس Cohen به دقت کلی ۹۶.۱۵٪ و شاخص اف-یک ۹۵.۶۱٪، و در دیتابیس Kermany به نرخ فراخوانی ۹۶.۷۰٪ و شاخص اف-یک ۹۶.۰۷٪ دست یافت. تحلیل مپ‌های فعال‌سازی اثبات نمود که فشرده‌سازی پویای تانسورها پیش از ورود به ترنسفورمر، مانند یک فیلتر نرم فضایی، سیگنال‌های نامرتبط استخوان دنده را سرکوب کرده و با مهار خطای نوع دوم (منفی کاذب)، صلابت و تعمیم‌پذیری بالایی را برای کاربردهای عملیاتی در دنیای واقعی کلینیکی به ارمغان می‌آورد.