El diagnóstico médico juega un papel crítico en la detección temprana y el tratamiento de enfermedades al examinar síntomas y hallazgos de apoyo a través de pruebas de laboratorio avanzadas. Un diagnóstico temprano y preciso es esencial para detectar problemas médicos y luego prescribir las estrategias de tratamiento más efectivas, especialmente en enfermedades potencialmente mortales como la leucemia. La leucemia, una malignidad sanguínea, es uno de los tipos de cáncer más prevalentes que afecta tanto a adultos como a niños. Es causada por el crecimiento rápido y descontrolado de glóbulos blancos anormales en la médula ósea. Esta acumulación interfiere con la producción de glóbulos sanguíneos normales, lo que lleva a una deficiencia inmunológica debilitada, anemia y trastornos hemorrágicos. Los métodos de diagnóstico convencionales de leucemia son lentos, intensivos en mano de obra e ineficientes. Este estudio de investigación propone un diagnóstico automático de predicción de leucemia mediante el análisis de imágenes de sangre de acuerdo con la forma de las células madre utilizando procesamiento de imágenes digitales y aprendizaje automático. El propósito de la detección de células sanguíneas es identificar y clasificar con precisión diversas células sanguíneas, detectando anomalías asociadas con cánceres de sangre como la leucemia. Esto apoya el diagnóstico temprano y el monitoreo, lo que conduce a tratamientos más efectivos y mejores resultados para los pacientes con cáncer. Para llevar a cabo esta tarea, utilizamos técnicas de procesamiento de imágenes digitales y luego aplicamos el algoritmo de aprendizaje profundo de red neuronal convolucional (CNN) a imágenes de muestras de sangre. Esta investigación emplea una metodología de múltiples etapas, que incluye preparación de datos, preprocesamiento de datos, extracción de características y luego clasificación. Si bien nuestro modelo se basa en una arquitectura típica de CNN, hacemos avances significativos al utilizar técnicas de preprocesamiento y ajuste de hiperparámetros. Hemos modificado su combinación de capas para incluir capas convolucionales, de agrupamiento y completamente conectadas que están optimizadas para las características de la imagen. Estas capas están ajustadas para una mejor extracción de características y precisión en la clasificación. Este estudio mostró que la detección de células sanguíneas para diagnosticar leucemia aguda basada en imágenes tuvo una precisión del 99% y superó a otros modelos avanzados, incluidos DenseNet121, ResNet-50, Inceptionv3, MobileNet y EfficientNet. El análisis exhaustivo de los resultados revela la mayor precisión en la detección de leucemia en comparación con estudios existentes en la literatura relevante.