A pesar de los avances recientes, la tecnología médica aún no ha alcanzado su punto máximo. La medicina de precisión está creciendo rápidamente, gracias a los avances en el aprendizaje automático impulsados por el aumento de las capacidades computacionales. Este artículo explora una aplicación de aprendizaje profundo para el diagnóstico asistido por computadora en dermatología. Utilizando un modelo personalizado basado en EfficientNetB3 y aprendizaje profundo, proponemos un enfoque para la clasificación de lesiones cutáneas que ofrece resultados superiores con tiempos de inferencia más pequeños, más baratos y más rápidos en comparación con otros modelos. El conjunto de datos de imágenes de piel utilizado para esta investigación incluye 8222 archivos seleccionados de la colección de los autores y el archivo ISIC 2019, que cubre seis condiciones dermatológicas. El modelo logró una precisión de validación del 95.4% en cuatro categorías: melanoma, carcinoma de células basales, lesiones benignas similares a queratosis y nevos melanocíticos, utilizando un promedio de 1600 imágenes por categoría. Agregar dos categorías con menos imágenes (aproximadamente 700 cada una): carcinoma de células escamosas y queratosis actínicas, redujo la precisión de validación al 88.8%. El modelo mantuvo la precisión en nuevas imágenes de pruebas clínicas tomadas bajo las mismas condiciones que el conjunto de datos de entrenamiento. El modelo personalizado demostró un excelente rendimiento en el diverso conjunto de datos de lesiones cutáneas, con un potencial significativo para futuras mejoras.