El aprendizaje auto-supervisado ha tenido éxito en visión por computadora, y su aplicación en imágenes médicas ha mostrado un gran potencial. Este estudio propone un novedoso método de aprendizaje auto-supervisado para la clasificación de imágenes médicas, dirigido específicamente a imágenes de fondo de ojo de campo ultra amplio (UFI). El método propuesto utiliza el aprendizaje contrastivo para pre-entrenar un modelo de aprendizaje profundo y luego ajustarlo con un pequeño conjunto de imágenes etiquetadas. Este enfoque reduce la dependencia de datos etiquetados, que a menudo son limitados y costosos de obtener, y tiene el potencial de mejorar la detección de enfermedades en UFI. Este método emplea dos técnicas de aprendizaje contrastivo, a saber, el aprendizaje contrastivo bilateral y el pre-entrenamiento multimodal, para formar pares positivos utilizando la correlación de datos. El aprendizaje bilateral fusiona múltiples vistas de las imágenes del mismo paciente, y el pre-entrenamiento multimodal aprovecha la información complementaria entre UFI e imágenes de fondo de ojo convencionales (CFI) para formar pares positivos. Los resultados muestran que el método de aprendizaje contrastivo propuesto logra un rendimiento de vanguardia con un puntaje de área bajo la curva característica de operación del receptor (AUC) de 86.96, superando a otros enfoques. Los hallazgos sugieren que el aprendizaje auto-supervisado es una dirección prometedora para el análisis de imágenes médicas, con aplicaciones potenciales en diversos entornos clínicos.