El cáncer de cuello uterino (CC) sigue siendo un problema de salud significativo, especialmente en países de ingresos bajos y medios (LMICs). Aunque las citologías cervicales son el método de detección estándar, tienen limitaciones, como baja sensibilidad e interpretación subjetiva. La citología líquida (LBC) ofrece mejoras pero aún depende del análisis manual. Este estudio exploró el potencial del aprendizaje profundo (DL) para la clasificación automatizada de células cervicales utilizando tanto citologías cervicales como muestras de LBC. Se empleó un algoritmo de segmentación de imágenes novedoso para extraer parches de células individuales para entrenar un modelo ResNet-50. El modelo entrenado en imágenes de LBC logró una sensibilidad notablemente alta (0,981), especificidad (0,979) y precisión (0,980), superando a modelos CNN anteriores. Sin embargo, el modelo del conjunto de datos de citologías cervicales logró un rendimiento significativamente inferior (sensibilidad 0,688, especificidad 0,762, precisión 0,8735). Esto sugiere que la definición ruidosa y pobre de las células en las citologías cervicales plantea desafíos para la clasificación automatizada, mientras que LBC proporciona parches de células más clasificables. Estos hallazgos demuestran el potencial de la clasificación automatizada de células cervicales impulsada por IA para mejorar la detección de CC, especialmente con LBC. La alta precisión y eficiencia de los modelos de DL combinados con una segmentación efectiva pueden contribuir a una detección más temprana y una intervención más oportuna. La investigación futura debería centrarse en implementar modelos de IA explicables para aumentar la confianza de los médicos y facilitar la adopción de la detección de CC asistida por IA en LMICs.