皮膚がんは世界中で最も一般的ながんであり、メラノーマはその中でも最も致死率の高い形態である。皮膚鏡画像法（dermoscopy）は、支援なしの視覚的検査と比較して、皮膚がんの診断精度の向上が示されている画像診断法である。本研究では、皮膚病変の分類を目的としたISIC-2019チャレンジおよび現在の文献に基づき、皮膚鏡画像分類に関する最新技術の現状を評価する。ImageNetデータセットで事前学習された多様な深層ニューラルネットワークアーキテクチャを、公開されている皮膚鏡画像および臨床画像から構成される統合学習データセットに、転移学習およびモデルの微調整を用いて適応させた。これらのモデルが、8種類の皮膚病変の検出において果たす性能と実用性を検証した。訓練サンプル数を増加させるために、指定された範囲内でランダムな回転、平行移動、せん断、ズームを用いたリアルタイムのデータ拡張手法を採用した。モデルの予測値には逆クラス頻度を乗算し、実際の確率分布に近づけるために正規化を行った。さらに、複数の独立して学習されたモデルの予測値の算術平均を用いることで、全体的な予測精度を向上させた。最も優れた単一モデルは、ウェブサービスとして公開されている。