La retinopatía, una enfermedad prevalente que causa discapacidad visual y a veces ceguera, afecta a muchas personas en la población. La detección temprana y el tratamiento de la enfermedad pueden facilitarse mediante el monitoreo de la retina utilizando imágenes de fondo de ojo. Sin embargo, la disponibilidad limitada de imágenes de fondo de ojo y los conjuntos de datos desequilibrados justifican el desarrollo de algoritmos más precisos y eficientes para mejorar el rendimiento diagnóstico. Este estudio presenta un nuevo marco de destilación de conocimiento en línea, llamado CLRD, que emplea un enfoque de aprendizaje colaborativo para detectar la retinopatía. Al combinar modelos de estudiantes con diferentes escalas y arquitecturas, el marco CLRD extrae información patológica crucial de las imágenes de fondo de ojo. La transferencia de conocimiento se logra mediante el desarrollo de información de distorsión particular para imágenes de fondo de ojo, mejorando así la invarianza del modelo. Nuestra selección de modelos de estudiantes incluye el BEiT basado en Transformer y el ConvNeXt basado en CNN, que logran precisión del 98.77% y 96.88%, respectivamente. Además, el método propuesto tiene una precisión, recuperación, especificidad y puntuación F1 entre 5.69-23.13%, 5.37-23.73%, 5.74-23.17%, 11.24-45.21%, y 5.87-24.96% más altos, respectivamente, en comparación con el modelo visual avanzado. Los resultados de nuestro estudio indican que el marco CLRD puede minimizar eficazmente los errores de generalización sin comprometer las predicciones independientes realizadas por los modelos de estudiantes, ofreciendo nuevas direcciones para investigaciones adicionales sobre la detección de retinopatía.