El análisis microscópico de tejidos es el método diagnóstico clave necesario para la identificación de enfermedades y la elección del mejor régimen de tratamiento. Según el Observatorio Global del Cáncer, aproximadamente dos millones de personas son diagnosticadas con cáncer colorrectal cada año, y un diagnóstico preciso requiere una cantidad significativa de tiempo y un patólogo altamente calificado para disminuir la alta tasa de mortalidad. El reciente desarrollo de tecnologías de inteligencia artificial y microscopía de escaneo introdujo la patología digital en el campo del diagnóstico de cáncer mediante la imagen de lámina completa (WSI). En este trabajo, aplicamos métodos de aprendizaje profundo para diagnosticar seis tipos de lesiones mucosas de colon utilizando redes neuronales convolucionales (CNN). Como resultado, se desarrolló un algoritmo para la segmentación automática de WSIs de biopsias de colon, implementando redes neuronales convolucionales profundas pre-entrenadas de las arquitecturas ResNet y EfficientNet. Comparamos el método clásico y la política de un ciclo para el entrenamiento de CNN y aplicamos enfoques tanto multi-clase como multi-etiqueta para resolver el problema de clasificación. El enfoque multi-etiqueta fue superior porque algunos parches de WSI pueden pertenecer a varias clases a la vez o a ninguna de ellas. Utilizando el enfoque estándar uno-contra-el-resto, entrenamos múltiples clasificadores binarios. Lograron el AUC de la curva del operador receptor en el rango de 0.80-0.96. También se calcularon otras métricas, como precisión, sensibilidad, especificidad, valor predictivo negativo y puntaje F1. Las CNN obtenidas pueden apoyar a los patólogos humanos en el proceso de diagnóstico y pueden ser ampliadas a otros cánceres después de agregar una cantidad suficiente de datos etiquetados.