El cáncer de piel (SC) es uno de los cánceres más comunes en el mundo y es una de las principales causas de muerte en los humanos. El melanoma (M) es la forma más agresiva de cáncer de piel y tiene una tasa de incidencia creciente. La detección temprana y precisa del M es fundamental para aumentar las tasas de supervivencia de los pacientes; sin embargo, su evaluación clínica se ve limitada por los largos plazos, la variedad de interpretaciones y la dificultad para distinguirlo de los nevos (N) debido a las similitudes llamativas. Para superar estos problemas y apoyar a los dermatólogos, se han desarrollado varios enfoques de aprendizaje automático (ML) y aprendizaje profundo (DL). En el trabajo propuesto, la detección de melanoma, entendida como una tarea de detección de anomalías con respecto a la condición normal que consiste en nevos, se realiza con la ayuda de una red neuronal convolucional (CNN) junto con las características de textura hechas a mano de las imágenes dermoscópicas como entrada adicional en la fase de entrenamiento. El objetivo es evaluar si se pueden omitir los pasos de preprocesamiento y segmentación de las imágenes dermoscópicas manteniendo un alto rendimiento de clasificación. El entrenamiento de la red se realiza en los conjuntos de datos ISIC2018 e ISIC2019, de los cuales solo se consideran melanomas y nevos. La red propuesta se compara con las redes pre-entrenadas más utilizadas en el campo de la dermatología y muestra mejores resultados en términos de clasificación y costo computacional. También se prueba en el conjunto de datos ISIC2016 para proporcionar una comparación con la literatura: logra un alto rendimiento en términos de precisión, sensibilidad y especificidad.