La prueba del parche epicutáneo es un método diagnóstico bien establecido para identificar sustancias que pueden causar Dermatitis de Contacto Alérgica (DCA), una afección cutánea común causada por la exposición a alérgenos ambientales. Aunque la prueba del parche sigue siendo el estándar de oro para identificar alérgenos, es propensa al sesgo del observador y consume valiosos recursos humanos. Los modelos de aprendizaje profundo pueden emplearse para abordar este desafío. En este estudio, recopilamos un conjunto de datos de 1579 imágenes cutáneas multimodales de 200 pacientes utilizando la cámara Antera 3D. Luego investigamos la viabilidad de utilizar un clasificador de aprendizaje profundo para automatizar la identificación de los alérgenos que causan DCA. Proponemos un enfoque de aprendizaje profundo que utiliza una técnica de preprocesamiento que conserva el contexto para mejorar la precisión del clasificador. Además, encontramos prometedor combinar la imagen en color y el mapa de falso color de la concentración de hemoglobina para mejorar la precisión diagnóstica. Nuestros resultados mostraron que este enfoque puede potencialmente lograr más del 86% de sensibilidad y el 94% de especificidad en la identificación de reacciones cutáneas, y contribuir a un diagnóstico más rápido y preciso mientras se reduce la carga de trabajo del clínico.