Para entrenar con éxito una red neuronal profunda, se requiere una gran cantidad de datos etiquetados por humanos. Desafortunadamente, en muchas áreas, recolectar y etiquetar datos es una tarea difícil y tediosa. Se han desarrollado varias formas para mitigar el problema asociado con la escasez de datos, siendo la más común el aprendizaje por transferencia. Sin embargo, en muchos casos, el uso del aprendizaje por transferencia como único remedio es insuficiente. En este estudio, mejoramos el entrenamiento de modelos neuronales profundos e incrementamos la precisión de clasificación bajo la escasez de datos mediante el uso de la técnica de aprendizaje auto-supervisado. El aprendizaje auto-supervisado permite que un conjunto de datos no etiquetados se utilice para el preentrenamiento de la red, a diferencia del aprendizaje por transferencia que requiere conjuntos de datos etiquetados. La red preentrenada puede luego ser ajustada finamente utilizando los datos anotados. Además, investigamos el efecto de combinar el enfoque de aprendizaje auto-supervisado con el aprendizaje por transferencia. Se demostró que esta estrategia supera al entrenamiento de red desde cero o con aprendizaje por transferencia. Las pruebas se realizaron en una aplicación muy importante y sensible (clasificación de lesiones cutáneas), pero el enfoque presentado puede aplicarse a una amplia gama de aplicaciones, especialmente en el ámbito médico donde la escasez de datos es un problema real.