Debido a su creciente incidencia, el cáncer de piel, y especialmente el melanoma, se considera un importante problema de salud pública. La detección manual de lesiones cutáneas (SL) a partir de imágenes de dermatoscopia es un proceso difícil y que consume mucho tiempo. Por lo tanto, los investigadores diseñaron sistemas de diagnóstico asistido por computadora (CAD) para ayudar a los dermatólogos en la detección temprana del cáncer de piel. Además, la detección de SL muestra naturalmente una distribución de cola larga debido a las complejas condiciones a nivel de paciente y la existencia de enfermedades raras. Existe una investigación muy limitada para abordar este problema en la detección de SL. En este artículo, proponemos un entrenamiento desacoplado de extremo a extremo para la tarea de clasificación de lesiones cutáneas de cola larga. Específicamente, inicializamos el entrenamiento de una red con una nueva función de pérdida capaz de guiar al modelo hacia una mejor representación de las características. Luego, afinamos las redes preentrenadas con una variante ponderada para ayudar a mejorar la robustez de la red frente al desequilibrio de clases. Evaluamos nuestro modelo en el conjunto de datos público ISIC 2018 frente a métodos existentes para abordar el desequilibrio de clases y enfoques existentes para la detección de SL. Los resultados demostraron la superioridad de nuestro marco, superando a todos los métodos comparados por un margen mínimo del 2% con un solo modelo.