El carcinoma no queratinizante es el subtipo más común de carcinoma nasofaríngeo (NPC). Sus células tumorales poco diferenciadas y entorno microscópico complejo presentan desafíos para el diagnóstico patológico. Los modelos patológicos basados en IA han demostrado potencial en el diagnóstico del NPC, pero la dependencia de la costosa anotación manual obstaculiza el desarrollo. Para abordar los desafíos, este artículo propone un marco basado en aprendizaje profundo para diagnosticar el NPC sin anotación manual. El marco incluye una red generativa no emparejada novedosa y un sistema de clasificación de imágenes impulsado por conocimientos previos. Con restricciones de fidelidad patológica, la red generativa logra un teñido digital preciso de imágenes de H&E a EBER. El sistema de clasificación aprovecha la especificidad de teñido y el conocimiento patológico previo para anotar automáticamente los datos de entrenamiento y clasificar imágenes para el diagnóstico del NPC. Este trabajo utilizó 232 casos para el estudio. Los resultados experimentales muestran que el sistema de clasificación alcanzó una precisión del 99.59% en la clasificación de imágenes de EBER, que coincidió estrechamente con los resultados diagnósticos de los patólogos. Utilizando PF-GAN como base del marco, el sistema logró una especificidad de 0.8826 en la generación de imágenes de EBER, superando notablemente a la de otros GAN (0.6137, 0.5815). Además, el F1-Score del marco para el diagnóstico a nivel de parche fue de 0.9143, superando a los modelos totalmente supervisados (0.9103, 0.8777). Para validar aún más su eficacia clínica, el marco se comparó con patólogos experimentados a nivel de WSI, mostrando un rendimiento de diagnóstico de NPC comparable. Este marco de diagnóstico preciso y de bajo costo optimiza el método de diagnóstico patológico temprano para el NPC y proporciona una dirección estratégica innovadora para el diagnóstico del cáncer basado en IA.