تؤثر حب الشباب بشكل جدي على الحياة اليومية للأشخاص، حيث تلعب تصنيف مستوى شدة الحب الشباب دورًا حاسمًا في العلاج. ومع ذلك، لا توجد معايير موحدة لتشخيص حب الشباب في المجال الطبي. تركز معظم الدراسات الحالية على تطبيق النماذج البصرية المتقدمة في تصنيف شدة حب الشباب، لكنها تفتقر إلى التكيّف مع الخصائص المميزة لتشخيص حب الشباب. في المقابل، تقدم بعض الدراسات أساليب مخصصة مُعدّة خصيصًا لكل معيار تشخيصي منفصل، لكنها لا يمكن استخدامها في معايير تشخيصية أخرى. في هذه الدراسة، نقترح طريقة تشخيص حب الشباب المُسمّاة "استخلاص الأدلة التشخيصية" (Diagnostic Evidence Distillation - DED)، التي تتكيف بشكل مناسب مع خصائص تشخيص حب الشباب ويمكن تطبيقها في التشخيص وفقًا لمختلف المعايير التشخيصية. أولاً، نقوم بتحليل شامل للخصائص المشتركة بين معايير حب الشباب المختلفة، ونُبسّط تشخيص حب الشباب على الوجه إلى مشكلة تصنيف صور غير تقليدية تعتمد على الأدلة التشخيصية المتمثلة في نوع وعدد الآفات الدقيقة الموزعة على الوجه ككل. ثانياً، نقترح إطار عمل DED الذي يتكيف مع خصائص تشخيص حب الشباب. ويستخدم هذا الإطار بنية "المعلم-الطالب" المُستخدمة في تقنيات نقل المعرفة (Knowledge Distillation) لدمج الأدلة التشخيصية، التي لا تكون متاحة للمرضى الجدد ولكنها متوفرة فقط في بيانات التدريب، داخل نموذج التشخيص. وللتغلب على القيود الناتجة عن اختلاف المعايير، يستخدم الإطار شبكات الأعصاب التلافيفية (CNNs) كهياكل أساسية (backbones) لمحاكاة التقديرات الشاملة التي يُجريها الأطباء الجلديون. كما نقترح نموذج تعلم متعدد المهام (subtask joint learning) للشبكة المعلمة لتعزيز توجيهها للشبكة الطالبة. تم تطبيق DED في تشخيص حب الشباب على مجموعتي بيانات ACNE04 وPLSBRACNE01 وفقًا لمختلف المعايير الشائعة لحب الشباب. أظهرت النتائج التجريبية أن DED تحسّن بشكل فعّال أداء التشخيص على كلا المجموعتين، وتفوقت على أفضل النماذج الحالية، ووصلت إلى مستوى تشخيص أطباء الجلدية. حيث بلغت دقة النموذج (precision) 85.31%، والحساسية (sensitivity) 84.83%، والخصوصية (specificity) 94.66%، ومؤشر يودين (Youden Index) 79.48%، والدقة العامة (accuracy) 86.06% على مجموعة بيانات ACNE04، بينما بلغت هذه القيم على مجموعة بيانات PLSBRACNE01 على التوالي 69.16%، 65.62%، 88.93%، 54.54%، و67.56%.