La segmentación y clasificación de núcleos son dos tareas básicas y esenciales en el diagnóstico asistido por computadora de imágenes de patología digital, y esos métodos basados en aprendizaje profundo han logrado un éxito significativo. Desafortunadamente, la mayoría de los estudios existentes logran las dos tareas al empalmar directamente dos redes neuronales relacionadas, lo que resulta en esfuerzos computacionales repetitivos y una red neuronal redundante y grande. Por lo tanto, este artículo propone un marco de aprendizaje profundo ligero (GSN-HVNET) con una estructura codificador-decodificador para la segmentación y clasificación simultánea de núcleos. El decodificador consta de tres ramas que producen la segmentación semántica de los núcleos, las distancias horizontales y verticales (HV) de los píxeles de los núcleos a sus centros de masa, y la clase de cada núcleo, respectivamente. Los resultados de segmentación de instancias se obtienen combinando las salidas de la primera y segunda ramas. Para reducir el costo computacional y mejorar la estabilidad de la red con tamaños de lote pequeños, proponemos dos bloques recién diseñados, Residual-Ghost-SN (RGS) y Dense-Ghost-SN (DGS). Además, considerando el uso práctico en el diagnóstico patológico, redefinimos el principio de clasificación del conjunto de datos CoNSeP. Los resultados experimentales demuestran que el modelo propuesto supera a otros modelos de vanguardia en términos de precisión de segmentación y clasificación por un margen significativo, manteniendo al mismo tiempo una alta eficiencia computacional.