El cáncer de cuello uterino es una preocupación de salud importante a nivel mundial, destacando la necesidad urgente de mejores métodos de detección temprana para mejorar los resultados de los pacientes. En este estudio, presentamos un enfoque novedoso de clasificación de patología digital que combina la Adaptación de Bajo Rango (LoRA) con el modelo Vision Transformer (ViT). Este método tiene como objetivo hacer más eficiente la clasificación de tipos de cuello uterino a través de un clasificador de aprendizaje profundo que no requiere tantos datos. La innovación clave es el uso de LoRA, que permite el entrenamiento efectivo del modelo con conjuntos de datos más pequeños, aprovechando al máximo la capacidad de ViT para representar información visual. Este enfoque tiene un mejor rendimiento que los modelos tradicionales de Redes Neuronales Convolucionales (CNN), incluidas las Redes Residuales (ResNets), especialmente en cuanto a rendimiento y capacidad de generalización en situaciones donde los datos son limitados. A través de experimentos exhaustivos y análisis en varios tamaños de conjunto de datos, encontramos que nuestro clasificador más simplificado es altamente preciso para detectar diversas anomalías cervicales en varios casos. Este trabajo avanza en el desarrollo de sistemas de diagnóstico asistido por computadora sofisticados, facilitando una detección más rápida y precisa del cáncer de cuello uterino, mejorando significativamente los resultados en la atención de los pacientes.