في السنوات الأخيرة، أصبحت التصنيف التلقائي للبوليبات والكشف عن الأورام باستخدام الذكاء الاصطناعي أحد المواضيع المتطورة في مجال تحليل الصور الطبية، حيث يوفر دعماً قيّماً لإجراءات المنظار القولوني. وقد ركّزت الجهود على تحسين دقة الكشف عن البوليبات والتصنيف الدقيق لها. ومع ذلك، لم يُلقَ اهتمامٌ كافٍ على زمن التأخير (latency) وسعة الإنتاجية (throughput) عند تنفيذ هذه المهام على الأجهزة المخصصة، والتي قد تكون حاسمة في التطبيقات العملية. يقدّم هذا البحث بنية جديدة لشبكة عصبية عميقة تُسمى BlazeNeo، مخصصة لمهام تصنيف البوليبات والكشف عن الأورام، مع التركيز على الحجم الصغير والسرعة العالية مع الحفاظ على دقة عالية. تعتمد النموذج على هيكل خلفي (backbone) فعّال للغاية يُعرف بـ HarDNet، إلى جانب كتل مجال الاستجابة الخفيفة (lightweight Receptive Field Blocks) لتحقيق الكفاءة الحسابية، بالإضافة إلى آلية تدريب مساعدة (auxiliary training mechanism) تُستغل بالكامل بيانات التدريب لتحسين جودة التصنيف. أظهرت تجاربنا على مجموعة بيانات صعبة تحسّناً في زمن التأخير وحجم النموذج، مع الحفاظ على دقة مماثلة أو أفضل مقارنةً بالأساليب الحالية الرائدة. عند نشر النموذج على جهاز الحافة Jetson AGX Xavier باستخدام الدقة INT8، تحقّق BlazeNeo معدلات تجاوزت 155 إطاراً في الثانية (fps)، مع تحقيق أفضل دقة مقارنةً بجميع الأساليب المُقارنة.