图像质量是催化性咨询成功的关键因素。但是，患者发送的图像中有多达50％存在质量问题，从而增加了诊断和治疗的时间。为了改善当前的远程咨询流量，需要一种自动化，易于部署，可解释的方法来评估图像质量。我们介绍了ImageQX，这是一种卷积神经网络，该网络训练了图像质量评估，其学习机制可确定最常见的图像质量解释：不良框架，不良照明，模糊，低分辨率和距离问题。 ImageQX在26635张照片中接受了培训，并在9874张照片上进行了验证，每张照片都有图像质量标签和不良图像质量解释的注释，最多可提供12位董事会认证的皮肤科医生。摄影图像是在2017 - 2019年间使用移动皮肤病跟踪应用程序在全球范围内访问的。我们的方法可实现图像质量评估和图像质量差的解释的专家级别的性能。为了进行图像质量评估，ImageQX获得了0.73的宏F1得分，该得分将其置于成对评估者F1分数0.77的标准偏差之内。对于差的图像质量解释，我们的方法获得了0.37至0.70之间的F1得分，类似于评分者间成对的F1评分在0.24和0.83之间。此外，ImageQX的尺寸仅为15 MB，可以轻松地在移动设备上部署。通过与皮肤科医生相似的图像质量检测性能，将ImageQX纳入远程表现流程可以减轻皮肤病学家的图像评估负担，同时减少患者的诊断和治疗时间。我们介绍了ImageQX，这是一个可以解释的图像质量评估器，它利用域专业知识来提高虚拟环境中皮肤科护理的质量和效率。