Rauschige Daten und die Ähnlichkeit der Augenmerkmale, die durch verschiedene Augenerkrankungen verursacht werden, stellen erhebliche Herausforderungen für ein automatisiertes Expertensystem dar, um Netzhautkrankheiten zu erkennen. Zudem begrenzen der Mangel an Wissensübertragbarkeit und das Bedürfnis nach unangemessen großen Datensätzen die klinische Anwendung aktueller maschineller Lernsysteme. Um die Robustheit zu erhöhen, muss ein tieferes Verständnis dafür genutzt werden, wie die Deformationen des retinalen Teilraums zu verschiedenen Schweregraden von Erkrankungen führen, um erkrankungsspezifische Modeldetails zu priorisieren. In dieser Arbeit schlagen wir eine erkrankungsspezifische Merkmalsrepräsentation vor, die eine neuartige Architektur aus zwei verbundenen Netzwerken darstellt – einem für die überwachte Kodierung des Erkrankungsmodells und dem anderen für die Erstellung von Aufmerksamkeitskarten in einer unüberwachten Weise, um erkrankungsspezifische räumliche Informationen beizubehalten. Unsere experimentellen Ergebnisse auf öffentlich zugänglichen Datensätzen zeigen, dass das vorgeschlagene verbundene Netzwerk die Genauigkeit und Robustheit der neuesten Klassifikationsnetzwerke für Netzhauterkrankungen bei unbekannten Datensätzen erheblich verbessert.