La identificación precisa de lesiones y su uso en diferentes instituciones médicas son la base y clave para la aplicación clínica de la detección automática de retinopatía diabética (DR). Los métodos existentes de detección o segmentación pueden lograr resultados aceptables en la identificación de lesiones de DR, pero dependen en gran medida de un gran número de anotaciones detalladas que no son fácilmente accesibles y sufren una degradación severa del rendimiento en la aplicación entre dominios. En este artículo, proponemos un método de identificación de lesiones de DR débilmente supervisado entre dominios que utiliza solo etiquetas de atributos de lesiones de grano grueso fácilmente accesibles. Primero, proponemos el novedoso método de aprendizaje de múltiples instancias de parches de lesiones (LpMIL), que aprovecha la etiqueta de atributo de lesiones para la supervisión a nivel de parche para completar la identificación de lesiones débilmente supervisada. Luego, diseñamos un método de adaptación de restricción semántica (LpSCA) que mejora el rendimiento de identificación de lesiones de nuestro modelo en diferentes dominios con pérdida de restricción semántica. Finalmente, realizamos una anotación secundaria en el conjunto de datos de código abierto EyePACS, para obtener el conjunto de datos anotado detalladamente más grande EyePACS-pixel, y validamos el rendimiento de nuestro modelo en él. Los extensos resultados experimentales en el conjunto de datos público FGADR y nuestro EyePACS-pixel demuestran que, en comparación con los métodos existentes de detección y segmentación, el método propuesto puede identificar lesiones de manera precisa y completa, y obtener resultados competitivos utilizando solo anotaciones de grano grueso.