Enfermedades oculares como la degeneración macular relacionada con la edad (AMD) son causas importantes de pérdida de visión irreversible. La detección temprana y precisa de estas enfermedades es esencial para un manejo efectivo. La tomografía de coherencia óptica (OCT) proporciona a los médicos vistas in vivo y transversales de la retina, lo que permite la identificación de características patológicas clave. Sin embargo, la interpretación manual de las exploraciones de OCT es laboriosa y propensa a variabilidad, lo que a menudo conduce a inconsistencias diagnósticas. Para abordar esto, aprovechamos el modelo RETFound, un modelo de base preentrenado en 1,6 millones de imágenes de OCT de retina no etiquetadas, para automatizar la clasificación de firmas de enfermedades clave en OCT. Ajustamos RETFound y comparamos su rendimiento con el modelo ResNet-50 ampliamente utilizado, utilizando modos de tarea única y multitarea. El conjunto de datos incluía 1770 exploraciones B etiquetadas con diversas características de enfermedades, incluidos fluido subretiniano (SRF), fluido intrarretiniano (IRF), drusas y desprendimiento del epitelio pigmentario (PED). El rendimiento se evaluó utilizando valores de precisión y AUC-ROC, que variaron entre modelos de 0,75 a 0,77 y de 0,75 a 0,80, respectivamente. En general, los modelos RETFound muestran una especificidad y sensibilidad comparables a los modelos ResNet-50, lo que también lo convierte en una herramienta prometedora para el diagnóstico de enfermedades retinianas. Estos hallazgos sugieren que RETFound puede ofrecer una mayor precisión diagnóstica e interpretabilidad para tareas específicas, lo que potencialmente ayuda a los médicos en un análisis de imágenes de OCT más eficiente y fiable.