眼底画像の品質評価（RIQA）は、眼疾患のコンピュータ支援診断をサポートしますが、従来のツールは全体的な画像品質のみを分類し、取得の欠陥を示すことができません。この問題は詳細なアノテーションの高コストが主な原因です。本研究では、全体的な品質に対する手動ラベルと品質の詳細に関する擬似ラベルを組み合わせたハイブリッドな半教師あり学習アプローチを提案します。ResNet-18を用いて、弱いアノテーションが単一タスクのベースラインを超えることを示しました。また、提案手法は、総合的な品質評価を向上させるだけでなく、取得条件（照明、明瞭さ、コントラスト）に関する解釈可能なフィードバックも提供します。これにより、追加の手動ラベリングコストなしに解釈可能性を向上させ、画像の再取得を導く臨床的に実用的な結果を提供します。