El cáncer colorrectal es la segunda causa principal de muerte relacionada con el cáncer en todo el mundo. Para prevenir muertes, se deben realizar cribados regulares con análisis histopatológico del tejido colorrectal. Un sistema de ayuda diagnóstica podría reducir el tiempo requerido por los profesionales médicos y proporcionar un enfoque inicial para el diagnóstico final. En este estudio, analizamos arquitecturas personalizadas de baja computación, basadas en Redes Neuronales Convolucionales, que pueden servir como clasificadores binarios de alta precisión para la detección de cáncer colorrectal utilizando imágenes histopatológicas. Con este propósito, llevamos a cabo un proceso de optimización para obtener el mejor modelo de rendimiento en términos de efectividad como clasificador y costo computacional al reducir el número de parámetros. Posteriormente, comparamos los resultados obtenidos con trabajos previos en el mismo campo. La validación cruzada revela una alta robustez de los modelos como clasificadores, obteniendo resultados de precisión superiores de 99.4 +/- 0.58% y 93.2 +/- 1.46% para el modelo más ligero. Los clasificadores lograron una precisión superior al 99% en el subconjunto de prueba utilizando imágenes de baja resolución y un recuento de capas significativamente reducido, con imágenes de tamaño del 11% de las utilizadas en estudios anteriores. En consecuencia, estimamos una reducción proyectada de hasta el 50% en los costos computacionales en comparación con el modelo más ligero propuesto en la literatura existente.