Las redes neuronales profundas son herramientas de aprendizaje exitosas para construir modelos no lineales. Sin embargo, un modelo de clasificación robusto basado en aprendizaje profundo requiere un conjunto de datos grande. De hecho, estos modelos suelen ser inestables cuando utilizan conjuntos de datos pequeños. Para resolver este problema, que es particularmente crítico en vista de las posibles aplicaciones clínicas de estos modelos predictivos, los investigadores han desarrollado enfoques como la generación de muestras virtuales. La generación de muestras virtuales mejora significativamente el rendimiento de aprendizaje y clasificación al trabajar con muestras pequeñas. El objetivo principal de este estudio es evaluar la capacidad de la generación de muestras virtuales propuesta para superar el problema del tamaño de muestra pequeño, que es una característica de la detección automatizada de un trastorno del neurodesarrollo, en particular el trastorno del espectro autista. Los resultados muestran que nuestro método mejora la precisión diagnóstica del 84% al 95% utilizando muestras virtuales generadas en base a cinco muestras clínicas reales. Los hallazgos actuales muestran la viabilidad de utilizar la técnica propuesta para mejorar el rendimiento de clasificación incluso en casos de muestras clínicas de tamaño limitado. Teniendo en cuenta las preocupaciones relacionadas con tamaños de muestra pequeños, nuestra técnica representa un avance significativo en términos de metodología de reconocimiento de patrones, especialmente cuando se aplica a clasificaciones diagnósticas de trastornos del neurodesarrollo. Además, la técnica propuesta ha sido probada con otros conjuntos de datos de referencia disponibles. Los resultados experimentales mostraron que la precisión de la clasificación que utilizó muestras virtuales fue superior a la que utilizó datos de entrenamiento originales sin muestras virtuales.