El modelo de Lee-Carter podría considerarse como uno de los modelos de predicción de mortalidad más importantes entre los modelos estocásticos en el campo de la mortalidad. Con los recientes avances en aprendizaje automático y aprendizaje profundo, muchos estudios han aplicado enfoques de aprendizaje profundo a las predicciones de tasas de mortalidad en series temporales, pero la mayoría de ellos se centran únicamente en una comparación entre la Memoria a Corto y Largo Plazo y los modelos tradicionales. En este estudio, se proponen tres redes neuronales recurrentes diferentes, Memoria a Corto y Largo Plazo, Memoria a Corto y Largo Plazo Bidireccional y Unidad Recurrente con Puertas, para la tarea de predicción de tasas de mortalidad. A diferencia de la comparación estándar de tasas de mortalidad a nivel de país, este estudio compara los tres modelos de aprendizaje profundo y el modelo clásico de Lee-Carter en los datos anuales de mortalidad de nueve divisiones por género de 1966 a 2015 en Estados Unidos. Con las pruebas fuera de muestra, encontramos que el modelo de Unidad Recurrente con Puertas mostró mejores valores promedio de MAE y RMSE que el modelo de Lee-Carter en el 72,2% (13/18) y 67,7% (12/18) de la base de datos, respectivamente, mientras que la misma medida para el modelo de Memoria a Corto y Largo Plazo y el modelo de Memoria a Corto y Largo Plazo Bidireccional son 50%/38,9% (MAE/RMSE) y 61,1%/61,1% (MAE/RMSE), respectivamente. Si consideramos la precisión de pronóstico, el gasto computacional y la interpretabilidad, el modelo de Lee-Carter con ARIMA muestra el mejor rendimiento general, pero las redes neuronales recurrentes también podrían ser buenas opciones para el pronóstico de mortalidad en las divisiones de Estados Unidos.