El cáncer colorrectal está asociado con una alta tasa de mortalidad y un riesgo significativo para el paciente. Las imágenes obtenidas durante una colonoscopia se utilizan para hacer un diagnóstico, resaltando la importancia de un diagnóstico y tratamiento oportunos. El uso de técnicas de aprendizaje profundo podría mejorar la precisión diagnóstica de los sistemas existentes. Usando las técnicas de aprendizaje profundo más avanzadas, se ha desarrollado un nuevo sistema EnsemDeepCADx para el diagnóstico preciso del cáncer colorrectal. La precisión óptima se logra combinando Redes Neuronales Convolucionales (CNN) con aprendizaje por transferencia a través de memoria a corto y largo plazo bidireccional (BILSTM) y máquinas de vectores de soporte (SVM). Cuatro modelos de CNN preentrenados conforman las CNN de conjunto ADaDR-22, ADaR-22 y DaRD-22: AlexNet, DarkNet-19, DenseNet-201 y ResNet-50. En cada una de sus etapas, el sistema CADx es evaluado minuciosamente. Del conjunto de datos mixto CKHK-22, se utilizan conjuntos de datos e imágenes en color, escala de grises y patrón binario local (LBP) y características. En la segunda etapa, las características devueltas se comparan con un nuevo conjunto de datos de fusión de características utilizando tres conjuntos de CNN distintos. Luego, incorporan CNN de conjunto con aprendizaje por transferencia basado en SVM comparando características crudas con conjuntos de datos de fusión de características. En la etapa final de aprendizaje por transferencia, BILSTM y SVM se combinan con un conjunto de CNN. La precisión de prueba para la fusión de CNN de conjunto DarD-22 utilizando BILSTM y SVM en los conjuntos de datos originales, grises, LBP y de fusión de características fue óptima (95,96%, 88,79%, 73,54% y 97,89%). Comparar las salidas de los cuatro conjuntos de datos de características con las de los tres conjuntos de CNN en cada etapa permite que el sistema EnsemDeepCADx alcance su mayor nivel de precisión.