هدف این پژوهش بهبود دقت طبقه‌بندی سرطان پوست با استفاده از روش Elastic GAN بر پایه دیتاست HAM10000 است. این دیتاست شامل 10015 تصویر درموسکوپی از ضایعات پیگمانته پوستی در هفت دسته‌ی تشخیصی است. با توجه به عدم تعادل کلاسی در این دیتاست، روش‌های افزایش داده متداول نمی‌توانند تنوع کافی را ایجاد کنند. در این پژوهش، از Elastic GAN برای تولید نمونه‌های جدید و متنوع با اعمال تغییرات ارتجاعی که تغییرات بافتی را شبیه‌سازی می‌کنند، استفاده می‌شود. این روش مبتنی بر شبکه‌های مولد رقابتی است که می‌تواند تصاویر واقع‌گرایانه‌ای تولید کند. ابتدا تصاویر دیتاست پیش‌پردازش شده و عدم تعادل کلاسی با نمونه‌سازی افزایشی و روش‌های سنتی کاهش می‌یابد. سپس Elastic GAN آموزش دیده و نمونه‌های جدید برای کلاس‌های اقلیت تولید می‌شود. در نهایت، مدل‌های یادگیری عمیق (از جمله DenseNet201 اصلاح شده و MobileNet به‌عنوان استخراج کننده‌ی ویژگی‌ها همراه با ماشین بردار پشتیبان) بر روی داده‌های افزایش یافته آموزش می‌بینند. نتایج نشان می‌دهد که افزایش داده با Elastic GAN دقت طبقه‌بندی را نسبت به روش‌های افزایش داده سنتی به‌طور قابل توجهی بهبود می‌بخشد. به‌طور خاص، مدل پیشنهادی به دقت 95/5% دست یافت که 2 درصد نسبت به حالت بدون افزایش داده بهبود داشته است. همچنین شاخص‌های حساسیت 96/93% و ویژگی 97/03% نشان‌دهنده‌ی قابلیت اطمینان مدل در تشخیص سرطان‌های بدخیم و خوش‌خیم هستند. در نتیجه، Elastic GAN به‌عنوان یک روش نوین افزایش داده، می‌تواند با تولید نمونه‌های مصنوعی متنوع و واقع‌گرایانه، عملکرد طبقه‌بندی سرطان پوست را ارتقا بخشد و راهکاری مؤثر برای مواجهه با چالش داده‌های نامتعادل در حوزه‌ی پزشکی ارائه دهد.