في علم الأمراض، تعتبر التحليلات الدقيقة والفعالة للشرائح المصبوغة بالهيماتوكسيلين والإوزين (H&E) ضرورية لتشخيص السرطان في الوقت المناسب وبكفاءة عالية. رغم وجود العديد من حلول التعلم العميق المخصصة لتقسيم النوى وتصنيفها في الأدبيات العلمية، فإن هذه الحلول غالباً ما تتطلب تكاليف حاسوبية مرتفعة ومصادر موارد كبيرة، مما يحد من استخدامها العملي في التطبيقات الطبية. لمعالجة هذه المشكلة، نقدم شبكة عصبية اصطناعية جديدة تسمى NuLite، وهي هندسة مشابهة لهيكل U-Net تم تصميمها بشكل خاص على أساس Fast-ViT، وهو أحدث وأخف وزناً من شبكات الـ CNN. حصلنا على ثلاثة إصدارات من نموذجنا: NuLite-S وNuLite-M وNuLite-H، والتي تم تدريبها على مجموعة بيانات PanNuke. تثبت النتائج التجريبية أن نماذجنا تعادل CellViT (أفضل الحلول المتاحة SOTA) من حيث الجودة البانورامية والكشف. ومع ذلك، فإن أخف نموذج لدينا، NuLite-S، أصغر بـ 40 مرة من حيث عدد المعلمات وأصغر بحوالي 8 مرات من حيث GFlops، بينما يعتبر نموذجنا الأثقل أصغر بـ 17 مرة من حيث عدد المعلمات وأصغر بحوالي 7 مرات من حيث GFlops. بالإضافة إلى ذلك، فإن نموذجنا أسرع بمقدار حوالي 8 مرات من CellViT. وأخيراً، لإثبات فعالية حلتنا، قمنا بتقديم مقارنة صلبة لمجموعات بيانات خارجية وهي CoNseP وMoNuSeg وGlySAC. يمكن الوصول إلى نموذجنا بشكل عام عبر الرابط https://github.com/CosmoIknosLab/NuLite