El cáncer colorrectal es uno de los cánceres más letales debido al diagnóstico tardío y a los desafíos en la selección de opciones terapéuticas. El diagnóstico histopatológico del adenocarcinoma de colon se ve obstaculizado por una pobre reproducibilidad y la falta de protocolos de examen estándar necesarios para tomar decisiones de tratamiento apropiadas. En el estudio actual, utilizando enfoques de última generación en conjuntos de datos de referencia, analizamos diferentes arquitecturas y estrategias de ensamblaje para desarrollar las combinaciones de redes más eficientes y mejorar la clasificación binaria y ternaria. Proponemos un enfoque innovador de dos etapas para diagnosticar la gradación del adenocarcinoma de colon a partir de imágenes histológicas de manera similar a un patólogo. Las regiones glandulares fueron primero segmentadas por una arquitectura transformadora con una clasificación subsiguiente utilizando un conjunto de redes neuronales convolucionales (CNN), lo que mejoró notablemente la eficiencia de aprendizaje y acortó el tiempo de aprendizaje. Además, preparamos y publicamos un conjunto de datos para la validación clínica de la red neuronal artificial desarrollada, lo que sugirió el descubrimiento de nuevas alteraciones fenotípicas histológicas en secciones de adenocarcinoma que podrían tener valor pronóstico. Por lo tanto, la IA podría mejorar notablemente la reproducibilidad, eficiencia y precisión del diagnóstico del cáncer de colon, lo cual es necesario para la medicina de precisión para personalizar el tratamiento de los pacientes con cáncer.