La práctica convencional de dermatología de realizar pruebas de detección no invasivas para detectar enfermedades de la piel es una fuente de inexactitudes diagnósticas evitables. La literatura sugiere que el diagnóstico automatizado es esencial para mejorar las precisiones diagnósticas en campos médicos como la dermatología, la mamografía y la colonografía. La clasificación es un componente esencial de un proceso de automatización asistida que está ganando rápidamente atención en la disciplina de la inteligencia artificial para un diagnóstico, tratamiento y recuperación exitosos de los pacientes. Sin embargo, clasificar lesiones cutáneas en múltiples clases es un desafío para la mayoría de los algoritmos de aprendizaje automático, especialmente para conjuntos de datos de entrenamiento extremadamente desequilibrados. Este estudio propone un novedoso algoritmo de aprendizaje profundo de conjunto basado en la red residual con la siguiente dimensión y la red de doble camino con preservación de la confianza para mejorar el rendimiento de clasificación de lesiones cutáneas. El paradigma de computación distribuida se aplicó en el algoritmo propuesto para acelerar el proceso de inferencia en un factor de 0,25 para una clasificación más rápida de lesiones cutáneas. El algoritmo se comparó experimentalmente con 16 algoritmos de aprendizaje profundo y 12 algoritmos de aprendizaje profundo de conjunto para establecer su capacidad discriminatoria. La comparación experimental se basó en imágenes dermoscópicas recopiladas de las bases de datos de colaboración internacional de imágenes de piel públicamente disponibles. Registramos hasta un 82,52% de sensibilidad promedio, un 99,00% de especificidad promedio, un 98,54% de precisión equilibrada promedio y un 92,84% de precisión multiclase sin segmentación previa de lesiones cutáneas para superar numerosos algoritmos de aprendizaje profundo de vanguardia investigados.