يُعد تصنيف وتحديد العيوب قبل الولادة من العناصر الحيوية لصحة الجنين وإدارة الحمل. ورغم أن التصوير بالموجات فوق الصوتية (Ultrasound) هو الوسيلة الرئيسية للفحص قبل الولادة، إلا أن دقة التشخيص تظل تحديًا كبيرًا بسبب ندرة التنوع العالي للعيوب.

تعمل معظم الطرق المعتمدة على تعلم العمق (Deep Learning) في المهام المتعلقة بالحمل على الاعتماد على مجموعات بيانات موسعة تحتوي على وسوم (Annotations)، والتي يصعب الحصول عليها في الممارسة العملية. وعلى الرغم من أن تقنيات التعلم القليل النماذج (Few-Shot Learning) تساعد في تخفيف نقص البيانات، إلا أنها عادة ما تتطلب تعديلات للتكيف مع فئات جديدة، مما يحد من عمليتها في البيئات السريرية ذات الموارد المحدودة.

لذلك، نقدم إطار عمل مبتكر لا يتطلب تدريبًا مسبقًا، يهدف إلى تصنيف وتحديد العيوب في أشعة الحمل فوق الصوتية باستخدام عدد قليل من الصور المرجعية لكل فئة. يشمل إطار العمل ثلاثة مكونات رئيسية:
1. **ذاكرة نموذج متعدد المستويات** (Multi-Granular Prototypes) التي تضع صورة واضحة لكلا من معاني الفئات وخصائص العيب.
2. **آلية دمج ناعمة مدفوعة بالنموذج** (Prototype-Driven Soft Merging) التي تجمع الخصائص التمييزية لاكتشاف منطقة العيب.
3. **استراتيجية تحسين مدركة للفئة** (Class-Aware Refinement) التي تستفيد من اتساق النموذج لتحسين تنبؤ الفئات.

تم اختبار الطريقة بشكل شامل على مجموعة بيانات شاملة تحتوي على 1,149 حالة، مع إجمالي 2,357 صورة و9 فئات، وقد أبدى هذا الأسلوب الجديد أداءً أفضل من الآخرين في هذا المجال.