La calificación precisa del acné es fundamental para optimizar las decisiones terapéuticas, pero sigue siendo un desafío debido a la ambigüedad de las lesiones y las evaluaciones clínicas subjetivas. Este estudio propone el marco de Aprendizaje de Pseudoetiquetas basado en Retroalimentación de Características (FF-PLL) para abordar estas limitaciones a través de tres innovaciones: (1) una arquitectura de retroalimentación de características de acné (AFF) con refinamiento iterativo de pseudoetiquetas para mejorar la robustez del entrenamiento, mejorar la calidad de las pseudoetiquetas y aumentar la diversidad de características; (2) segmentación de piel facial completa (AFSS) para reducir el ruido de fondo, permitiendo una extracción precisa de las características de las lesiones; y (3) la estrategia AcneAugment (AA) para fomentar la generalización del modelo mediante la introducción de representaciones diversas de lesiones de acné. Los experimentos en los conjuntos de datos de referencia ACNE04 y ACNE-ECKH demuestran la superioridad del marco propuesto, logrando una precisión del 87.33% en ACNE04 y del 67.50% en ACNE-ECKH. Además, el modelo alcanza una sensibilidad del 87.31%, una especificidad del 90.14% y un índice de Youden (YI) del 77.45% en ACNE04. Estos avances establecen a FF-PLL como una solución clínicamente viable para la evaluación estandarizada del acné, cerrando las brechas críticas entre la dermatología computacional y las necesidades prácticas de atención médica.