La detección de anomalías en datos estructurados presenta desafíos significativos, especialmente en escenarios con un desequilibrio de clases extremo. La Red Neural Siamesa (RNS) es tradicionalmente reconocida por su capacidad de medir similitudes en pares, en lugar de ser utilizada como extractor de características. Sin embargo, en este estudio, presentamos un enfoque novedoso al aprovechar las capacidades de extracción de características de la RNS, inspiradas en la poderosa capacidad de aprendizaje de representaciones de las redes neuronales. Integramos la RNS con cuatro clasificadores diferentes y la Técnica de Sobremuestreo de Minorías Sintéticas (SMOTE) para la detección de anomalías supervisada y evaluamos su rendimiento en cinco conjuntos de datos estructurados con diferentes ratios de anomalías. Nuestros hallazgos revelan que, cuando se utiliza como extractor de características, la RNS mejora significativamente el rendimiento de clasificación y demuestra una robustez superior en comparación con los métodos tradicionales de detección de anomalías, especialmente en situaciones de desequilibrio de clases extremo. Estos resultados destacan el potencial de reutilizar la RNS más allá del aprendizaje de similitudes, ofreciendo un marco de extracción de características escalable y efectivo para la detección de anomalías en aplicaciones de datos estructurados.