En las últimas décadas, la incidencia del melanoma ha crecido rápidamente. Por lo tanto, el diagnóstico temprano es crucial para mejorar los resultados clínicos. Aquí, proponemos y comparamos un método clásico de aprendizaje automático basado en análisis de imágenes con uno de aprendizaje profundo para clasificar automáticamente imágenes de lesiones dérmicas benignas vs. malignas. Se utilizó el mismo conjunto de datos de 25,122 imágenes dérmicas disponibles públicamente para entrenar ambos modelos, mientras que un conjunto de prueba disjunto de 200 imágenes se utilizó para la fase de evaluación. El conjunto de entrenamiento se dividió aleatoriamente en 10 conjuntos de datos de 19,932 imágenes para obtener una distribución equitativa entre las dos clases. Al probar ambos modelos en el conjunto disjunto, el método basado en aprendizaje profundo obtuvo una precisión del 85.4 +/- 3.2% y una especificidad del 75.5 +/- 7.6%, mientras que el de aprendizaje automático mostró una precisión y especificidad del 73.8 +/- 1.1% y 44.5 +/- 4.7%, respectivamente. Aunque ambos enfoques funcionaron bien en la fase de validación, la red neuronal convolucional superó al clasificador de árbol potenciado en el conjunto de prueba disjunto, mostrando una mejor capacidad de generalización. La integración de nuevos algoritmos de detección de melanoma con dispositivos dérmicos digitales podría permitir un cribado más rápido de la población, mejorar la gestión de los pacientes y lograr mejores tasas de supervivencia.