Данная научная статья представляет собой комплексный обзор применения технологий TinyML (маломощного машинного обучения) в задачах раннего обнаружения колоректального рака. Авторы анализируют переход от ресурсоемких моделей глубокого обучения к оптимизированным алгоритмам, способным работать непосредственно на периферийных устройствах и встроенных сенсорах. В работе рассматриваются методологии сжатия моделей, квантования и дистилляции знаний, которые позволяют интегрировать ИИ в портативные диагностические инструменты. Исследование выделяет ключевые достижения в области повышения точности классификации новообразований при экстремально ограниченных вычислительных мощностях. Особое внимание уделяется текущим барьерам, таким как ограничения памяти, энергопотребления и необходимость обеспечения высокой надежности в клинических условиях. Результаты подчеркивают потенциал TinyML для создания автономных систем мониторинга, которые могут радикально изменить подходы к скринингу рака кишечника в условиях ограниченных ресурсов.