Para el método de adaptación de dominio basado en aprendizaje profundo para el diagnóstico de retinopatía diabética, el modelo de aprendizaje por transferencia con atención de dominio difuso propuesto en este artículo consta de dos módulos principales. Primero, el módulo de generación de imágenes de retinopatía diabética probabilística de difusión para eliminación de ruido genera muestras ricas y variadas del dominio objetivo, lo que permite que el modelo aprenda características más completas del dominio objetivo. Segundo, se diseñó un módulo de integración de atención de múltiples dominios sin fuente, que realiza una integración ponderada de atención de varios modelos preentrenados del dominio fuente sin necesidad de acceder a los datos del dominio fuente, logrando un buen equilibrio entre características específicas de la instancia y características consistentes del dominio. Los resultados experimentales muestran que el modelo alcanzó una precisión del 90,66%, precisión de 87,47%, sensibilidad de 85,41%, especificidad de 91,63% y puntuación F1 de 86,42% en la tarea de diagnóstico de retinopatía diabética transferible. Además, el modelo alcanzó una precisión del 96,75%, precisión de 99,23%, sensibilidad de 90,47%, especificidad de 99,27% y puntuación F1 de 94,65% en la tarea de reconocimiento de lesiones retinianas normales/anormales. El modelo propuesto en este documento puede realizar un diagnóstico efectivo de retinopatía sin acceder a datos del dominio fuente y sin etiquetas para muestras del dominio objetivo.

retinopatía diabética; aprendizaje profundo; adaptación multi-dominio sin fuente; aprendizaje por transferencia con atención de dominio difuso