La cirugía de columna endoscópica biportal (BESS) es mínimamente invasiva y, por lo tanto, beneficia tanto a cirujanos como a pacientes. Sin embargo, las complicaciones que se deben tener en cuenta incluyen desgarros durales y lesiones en tejido neural. En este estudio, nuestro objetivo fue desarrollar un modelo de aprendizaje profundo para la segmentación de tejido neural con el fin de mejorar la seguridad y eficacia de la cirugía espinal endoscópica. Utilizamos fotogramas extraídos de videos de 28 cirugías de columna endoscópicas, que comprenden 2307 imágenes para entrenamiento y 635 imágenes para validación. Se emplea una arquitectura similar a U-Net para la segmentación de tejido neural. Las evaluaciones cuantitativas incluyen el coeficiente de Dice-Sorensen, el índice de Jaccard, la precisión, la recuperación, la precisión promedio y el tiempo de procesamiento de imágenes. Nuestros hallazgos revelaron que el modelo de mejor rendimiento logró un coeficiente de Dice-Sorensen de 0,824 y un índice de Jaccard de 0,701. Los valores de precisión y recuperación fueron 0,810 y 0,839, respectivamente, con una precisión promedio de 0,890. El modelo procesó imágenes a 43 ms por fotograma, lo que equivale a 23,3 fotogramas por segundo. Las evaluaciones cualitativas indicaron una identificación efectiva de las características del tejido neural. Nuestro modelo basado en U-Net realizó de manera robusta la segmentación de tejido neural, lo que indica su potencial para apoyar a los cirujanos de columna, especialmente a aquellos con menos experiencia, y mejorar los resultados quirúrgicos en procedimientos endoscópicos. Por lo tanto, futuros avances pueden mejorar la aplicabilidad clínica de esta técnica.