La detección temprana de enfermedades neurodegenerativas es crucial para un tratamiento clínico efectivo. Sin embargo, los métodos de diagnóstico actuales son costosos y lentos. En este estudio, presentamos FundusNet, un modelo de aprendizaje profundo entrenado en imágenes de fondo de ojo, para un diagnóstico rápido y rentable de enfermedades neurodegenerativas. FundusNet logró un rendimiento superior en la predicción de la edad (MAE 2.55 años), clasificación de género (AUC 0.98) y diagnóstico de enfermedades neurodegenerativas: enfermedad de Parkinson AUC 0.75 +/- 0.03, esclerosis múltiple AUC 0.77 +/- 0.02. Se utilizó Grad-CAM para identificar qué parte de la imagen contribuye al diagnóstico. La interpretación de biomarcadores de imagen demostró que FundusNet identifica de manera efectiva estructuras clínicas de la retina asociadas con enfermedades. Además, la alta precisión del modelo en la predicción de riesgo genético sugiere que su rendimiento podría mejorarse aún más con conjuntos de datos de entrenamiento más grandes.