این مقاله یک چارچوب یادگیری عمیق چندوظیفه‌ای (Multi-Task Deep Learning) برای تحلیل همزمان تصاویر فوندوس بیماران مبتلا به رتینوپاتی دیابتی (DR) ارائه می‌کند. هدف مدل این است که در یک چارچوب واحد، سه کار مهم را انجام دهد: بخش‌بندی ضایعات رتینوپاتی، تشخیص ضایعات و درجه‌بندی شدت بیماری. در معماری پیشنهادی از Cross-Task Attention استفاده شده تا اطلاعات یادگرفته‌شده در هر وظیفه بتواند به وظایف دیگر کمک کند و در نتیجه مدل از ارتباط میان ویژگی‌های مختلف ضایعات بهتر استفاده کند. عملکرد روش درون‌داده‌ای و همچنین بین مجموعه‌داده‌های مختلف ارزیابی شده است تا قابلیت تعمیم آن بررسی شود. نتایج نشان می‌دهد که یادگیری همزمان این وظایف می‌تواند نسبت به انجام مستقل هر وظیفه، اطلاعات جامع‌تری از تصویر فوندوس استخراج کرده و زمینه را برای توسعه سامانه‌های هوش مصنوعی یکپارچه در غربالگری و ارزیابی شدت رتینوپاتی دیابتی فراهم کند.