Desarrollar un modelo de clasificación efectivo en el campo médico es un desafío debido a los conjuntos de datos limitados. Para abordar este problema, este estudio propone utilizar una red generativa antagónica (GAN) como técnica de aumento de datos. La investigación tiene como objetivo mejorar el rendimiento de generalización, la estabilidad y la precisión del clasificador a través de la generación de datos sintéticos que se asemejan estrechamente a los datos reales. Empleamos selección de características y aplicamos cinco algoritmos de clasificación a trece conjuntos de datos médicos de referencia, aumentados utilizando el GAN de mínimos cuadrados (LS-GAN). La evaluación de las muestras generadas utilizando diferentes proporciones de datos aumentados mostró que el modelo de máquina de soporte vectorial supera a otros métodos con muestras más grandes. El enfoque propuesto de aumento de datos utilizando un GAN presenta una solución prometedora para mejorar el rendimiento de los modelos de clasificación en el campo de la salud.