التعلم العميق في المنظار الهضمي يمكن أن يساعد في تحسين الأداء السريري ويكون مفيدًا لتقييم الورميات بدقة أكبر. وفي هذا الإطار، يمكن للطرق التجزيئية الدلالية التي تقوم بتحديد حدود منطقة الاهتمام بشكل آلي وفوري، مثل تحديد حدود السرطان أو الورميات ما قبل السرطانية، أن تفيد التشخيص والتدخلات. ومع ذلك، فإن تحديد الحدود بشكل دقيق وفوري لصور المنظار الهضمي أمر شديد الصعوبة بسبب اعتماده الكبير على المشغل وجودة الصورة عالية الدقة. لتحقيق الاستخدام الآلي لهذه الطرق في البيئة السريرية، من الضروري تصميم نماذج خفيفة الوزن ذات زمن استجابة قليل بحيث يمكن دمجها مع أجهزة المنظار الهضمي ذات المواصفات المتدنية. في هذا البحث، نقترح NanoNet، وهي هندسة جديدة لتحديد حواجز صور المنظار الكبسولي الفيديو والمنظار القولوني. تسمح الهندسة المقترحة لدينا بالأداء الفوري ولديها دقة أعلى في التحديد مقارنة بالطرق الأكثر تعقيدًا. نستخدم مجموعات بيانات للمنظار الكبسولي الفيديو والمنظار القولوني القياسية التي تحتوي على البوليبات، ومجموعة بيانات تتكون من عينات المنظار الهضمي والأدوات الجراحية، لتقييم فعالية نهجنا. تظهر تجاربنا زيادة الأداء في هندستنا من حيث التوازن بين تعقيد النموذج، السرعة، معلمات النموذج وأداء المقاييس. بالإضافة إلى ذلك، فإن حجم النموذج الناتج صغير نسبيًا، حيث يحتوي على حوالي 36,000 معلمة فقط مقارنة بالتقنيات التقليدية للتعلم العميق التي تحتوي على ملايين المعلمات.