Antecedentes: La retinopatía diabética (RD) es la principal causa de ceguera en adultos en edad laboral. La detección temprana es crucial para reducir el riesgo de pérdida de visión relacionada con la RD, pero está llena de desafíos. La detección manual es intensiva en mano de obra y a menudo pasa por alto lesiones pequeñas de la RD, lo que hace necesaria la detección automatizada. Objetivo: Nuestro objetivo fue desarrollar y validar una estrategia de aprendizaje profundo sin anotaciones para la detección automática de exudados y puntos de sangrado en fotografías de fondo de ojo en color (CFP) e imágenes retinianas de campo ultraamplio (UWF). Materiales y métodos: Se crearon tres cohortes: dos cohortes de CFP (Kaggle-CFP y E-Ophtha) y una cohorte de UWF. Kaggle-CFP se utilizó para el desarrollo del algoritmo, mientras que E-Ophtha, con lesiones relacionadas con la RD anotadas manualmente, sirvió como conjunto de pruebas independiente. Para pruebas independientes adicionales, 50 casos positivos de RD de ambas cohortes de Kaggle-CFP y UWF fueron delimitados manualmente para puntos de sangrado y exudados. Los casos restantes se utilizaron para el entrenamiento del algoritmo. Un descriptor de forma basado en contraste a múltiples escalas transformó las imágenes retinianas verificadas de la RD en campos de contraste. Se identificaron regiones de alto contraste, y se extrajeron parches de imagen locales de áreas anormales y normales para entrenar un modelo U-Net. El rendimiento del modelo se evaluó utilizando sensibilidad y tasas de falsos positivos basadas en anotaciones manuales en los conjuntos de pruebas independientes. Resultados: Nuestro modelo entrenado en la cohorte independiente de CFP logró altas sensibilidades para detectar y segmentar lesiones de la RD: microaneurismas (91,5%, 9,04 falsos positivos por imagen), hemorragias (92,6%, 2,26 falsos positivos por imagen), exudados duros (92,3%, 7,72 falsos positivos por imagen) y exudados blandos (90,7%, 0,18 falsos positivos por imagen). Para las imágenes de UWF, el rendimiento del modelo varió según el tamaño de la lesión. La sensibilidad de detección de sangrado aumentó con el tamaño de la lesión, desde el 41,9% (6,48 falsos positivos por imagen) para los puntos más pequeños hasta el 93,4% (5,80 falsos positivos por imagen) para los más grandes. La detección de exudados mostró una alta sensibilidad en todos los tamaños, que varió desde el 86,9% (24,94 falsos positivos por imagen) hasta el 96,2% (6,40 falsos positivos por imagen), aunque las tasas de falsos positivos fueron más altas para lesiones más pequeñas. Conclusiones: Nuestros experimentos demuestran la viabilidad de entrenar una red neuronal de aprendizaje profundo para detectar y segmentar lesiones relacionadas con la RD sin depender de sus anotaciones manuales.