痤疮严重干扰人们的日常生活，其严重程度分级在治疗过程中起着决定性作用。然而，目前医学领域尚无统一的痤疮评估标准。大多数现有研究聚焦于将先进的视觉模型应用于痤疮严重程度分级，但普遍缺乏对痤疮诊断特性的充分适配；而部分研究虽针对特定痤疮评估标准提出了专门的诊断方法，却难以迁移至其他标准体系。为此，本文提出一种名为“诊断证据蒸馏”（Diagnostic Evidence Distillation, DED）的痤疮诊断方法，该方法能够有效适配痤疮诊断的内在特征，并适用于多种主流痤疮评估标准下的诊断任务。首先，我们系统分析了各类痤疮评估标准之间的共性，将面部痤疮诊断问题重构为一种非传统的图像分类任务：基于全脸细粒度皮损的类型与数量分布所体现的诊断证据进行判断。随后，提出DED框架以适配痤疮诊断特性。该框架采用知识蒸馏中的师生结构，将训练数据中蕴含但对新患者不可见的诊断证据信息，有效融入诊断模型之中。为突破不同评估标准之间的限制，框架采用卷积神经网络（CNN）作为主干网络，模拟皮肤科医生对整体病变的综合判断能力。此外，我们进一步设计了子任务联合学习机制，用于增强教师网络对学生的指导能力。将DED方法应用于两个公开数据集ACNE04与PLSBRACNE01，并基于多种主流痤疮评估标准进行诊断实验。结果表明，在两个数据集上，DED均显著提升了诊断性能，超越现有最先进方法，达到皮肤科医生的临床诊断水平。在ACNE04数据集上，精度（Precision）、敏感度（Sensitivity）、特异度（Specificity）、Youden指数（Youden Index）和准确率（Accuracy）分别达到85.31%、84.83%、94.66%、79.48%和86.06%；在PLSBRACNE01数据集上，相应指标分别为69.16%、65.62%、88.93%、54.54%和67.56%。实验结果充分验证了该方法在多标准环境下具有优异的泛化能力与临床应用潜力。