ニキビは人々の日常生活に深刻な影響を及ぼす。ニキビの重症度評価は治療において決定的な役割を果たすが、医療分野においてニキビの評価基準は統一されていない。現在の多数の研究では、先進的な視覚モデルをニキビ重症度の分類に応用する試みが行われているが、ニキビ診断の特性に適応する点で不足している。一方、特定のニキビ評価基準に特化した手法が提案されているが、それらは他の基準には適用できないという限界がある。本研究では、ニキビ診断の特性に適切に適応可能であり、複数のニキビ評価基準に対応可能な診断手法「診断証拠蒸留（Diagnostic Evidence Distillation, DED）」を提案する。まず、さまざまなニキビ評価基準の共通点を包括的に調査・分析し、顔全体に分布する細粒度の病変の種類と数という診断証拠に基づいて、ニキビ診断を従来の画像分類問題とは異なる形に定式化した。次に、ニキビ診断の特性に適応するためのDEDフレームワークを提案する。このフレームワークは、知識蒸留法の教師-生徒構造を用い、新規患者には存在しないが訓練データにのみ含まれる診断証拠を診断モデルに組み込む。異なる評価基準による制約を克服するため、畳み込みニューラルネットワーク（CNN）をバックボーンとして用い、皮膚科医の全体的評価を模倣する。さらに、教師ネットワークの指導力を強化するためのサブタスク同時学習手法を提案した。DEDは、主流のニキビ評価基準に基づき、ACNE04およびPLSBRACNE01の2つのデータセット上でニキビ診断に適用された。実験結果から、両データセットにおいてDEDが診断性能を顕著に向上させ、最先端技術を上回り、皮膚科医レベルの診断精度に達することが確認された。ACNE04データセットでは、正確率（precision）85.31%、感度（sensitivity）84.83%、特異度（specificity）94.66%、Youden指数79.48%、正解率（accuracy）86.06%を達成し、PLSBRACNE01データセットでは、それぞれ69.16%、65.62%、88.93%、54.54%、67.56%の性能を示した。