Este artículo describe la metodología para ajustar y comparar once variantes de arquitecturas Transformer para la clasificación de lesiones cutáneas utilizando imágenes: cinco variantes del Vision Transformer (ViT) de Google y seis variantes del Swin Transformer de Microsoft. Presentamos la metodología utilizada para lograr estos resultados, que incluye una meticulosa optimización de hiperparámetros y una robusta estrategia de aumento de datos para abordar el problema del desequilibrio de clases. Este enfoque nos permitió superar el estado del arte en el conjunto de datos DermaMNIST con respecto a los modelos basados en CNN, y lograr resultados muy competitivos en el conjunto de datos ISIC Challenge 2019 con respecto a los modelos basados en Transformer. Además, empleamos el método CheferCAM para proporcionar explicaciones visuales que identifican las regiones de imagen más influyentes en las predicciones de los modelos.