La tomografía de coherencia óptica angiográfica (OCTA) proporciona información detallada sobre el flujo sanguíneo y la perfusión retiniana. La perfusión retiniana anormal indica posibles enfermedades oculares o sistémicas. Proponemos un modelo de detección de anomalías basado en aprendizaje profundo para identificar dichas anomalías en OCTA. Utiliza dos enfoques de aprendizaje profundo. Primero, un aprendizaje de representación con un Codificador Automático Variacional Cuantificado por Vector (VQ-VAE) seguido por un modelado Auto-Regresivo (AR). En segundo lugar, explota las estimaciones de incertidumbre epistémica de Bayesian U-Net empleadas para segmentar el sistema vascular en imágenes en plano OCTA. La evaluación en dos grandes conjuntos de datos públicos, DRAC y OCTA-500, demuestra una detección de anomalías efectiva (un AUROC de para el DRAC y un AUROC de para el OCTA-500) y localización (un puntaje medio de Dice de para el DRAC) en esta tarea desafiante. Hasta donde sabemos, este es el primer trabajo que aborda la detección de anomalías en OCTA.