Aunque se han realizado muchos esfuerzos en los últimos años, el reconocimiento del cáncer de piel a partir de imágenes médicas sigue siendo un área activa de investigación con el objetivo de obtener resultados más precisos. Muchos esfuerzos se han realizado en los últimos años basados en redes neuronales de aprendizaje profundo. Sin embargo, solo unos pocos se basan en un único modelo de aprendizaje profundo y están dirigidos a la creación de una aplicación móvil. Contribuyendo a ambos esfuerzos, primero presentamos un resumen del conocimiento médico necesario sobre el cáncer de piel, seguido de un extenso resumen de los trabajos relacionados más recientes. Posteriormente, presentamos 11 arquitecturas candidatas de CNN (redes neuronales convolucionales) individuales. Entrenamos y probamos esas 11 arquitecturas de CNN, utilizando el conjunto de datos HAM10000, con respecto a siete clases de lesiones cutáneas. Para hacer frente al problema del desequilibrio y la alta similitud entre las imágenes de algunas lesiones cutáneas, aplicamos aumento de datos (durante el entrenamiento), transfer learning y ajuste fino. De las 11 configuraciones de arquitectura de CNN, DenseNet169 produjo los mejores resultados. Logró una precisión del 92.25%, una sensibilidad del 93.59% y una puntuación F1 del 93.27%, lo que supera los esfuerzos existentes de vanguardia. Utilizamos una versión ligera de DenseNet169 para construir una aplicación móvil para Android, que se mapeó como un modelo de dos clases (benigno o maligno). Se toma una foto a través de la cámara del dispositivo móvil y, después de recortarla manualmente, se clasifica como tipo benigno o maligno. La aplicación también puede informar al usuario sobre el tiempo permitido de exposición al sol basado en el grado actual de radiación UV, el fototipo de la piel del usuario y el grado de protector solar utilizado. En conclusión, logramos resultados de vanguardia en el reconocimiento del cáncer de piel basado en un único modelo de aprendizaje profundo relativamente ligero, que también utilizamos en una aplicación móvil.