Los trastornos genéticos afectan a más del 6% de la población mundial y representan obstáculos sustanciales para los sistemas de salud. La identificación temprana de estos raros trastornos genéticos faciales es esencial para manejar las complejidades médicas relacionadas y los problemas de salud. Muchas personas consideran que las técnicas de detección existentes son insuficientes, lo que a menudo lleva a un diagnóstico varios años después del nacimiento. Este estudio evaluó la eficacia de los modelos clasificadores basados en aprendizaje profundo para reconocer con precisión las características dismórficas utilizando fotos faciales. Este estudio propone un marco de clasificación de síndromes faciales de múltiples clases que engloba una combinación única de enfermedades no examinadas previamente juntas. El estudio se centró en distinguir entre individuos con cuatro trastornos genéticos específicos (síndrome de Down, síndrome de Noonan, síndrome de Turner y síndrome de Williams) y controles sanos. Investigamos qué tan bien funcionaba el ajuste fino de algunos modelos pre-entrenados basados en redes neuronales convolucionales (CNN), incluidos VGG16, ResNet-50, ResNet152 y VGG-Face, para la tarea de clasificación de síndromes faciales de múltiples clases. Obtuvimos los resultados más alentadores ajustando el modelo VGG-Face. El modelo VGG-Face ajustado propuesto no solo demostró el mejor rendimiento en este estudio, sino que también funcionó mejor que otros modelos CNN pre-entrenados de última generación para la tarea de clasificación de síndromes faciales de múltiples clases. El modelo ajustado logró tanto precisión como un F1-Score del 90%, lo que indica un progreso significativo en la detección precisa de los trastornos genéticos especificados.