Este documento de investigación presenta un enfoque de aprendizaje profundo para la detección temprana del cáncer de piel utilizando técnicas de aumento de imagen. Introducimos un proceso de aumento de imagen de dos etapas que utiliza aumento geométrico y una red generativa adversarial (GAN) para diferenciar las categorías de cáncer de piel. El conjunto de datos público HAM10000 se utilizó para probar qué tan bien funcionaba el modelo propuesto. Se emplearon varios modelos de redes neuronales convolucionales (CNN) pre-entrenados, incluidos Xception, Inceptionv3, Resnet152v2, EfficientnetB7, InceptionresnetV2 y VGG19. Nuestro enfoque demuestra una precisión del 96.90%, una precisión del 97.07%, una recuperación del 96.87% y una puntuación F1 del 96.97%, superando el rendimiento de otros métodos de vanguardia. El documento también discute el uso de Explicaciones Aditivas de Shapley (SHAP), una técnica interpretable para el diagnóstico del cáncer de piel, que puede ayudar a los médicos a comprender el razonamiento detrás del diagnóstico y mejorar la confianza en el sistema. En general, el método propuesto presenta un enfoque prometedor para la detección automatizada del cáncer de piel que podría mejorar los resultados de los pacientes y reducir los costos de atención médica.