Fluoreszenzlebensdauer-Bildmikroskopie (FLIM) ist eine leistungsstarke Technik in der biomedizinischen Forschung, die die Fluoreszenzabbauzeit des Fluorphors nutzt, um zusätzlichen Kontrast in der Fluoreszenzmikroskopie zu erzeugen. Derzeit ist jedoch die Berechnung, Analyse und Interpretation von FLIM ein komplexer, langsamer und rechenintensiver Prozess. Maschinelles Lernen (ML) eignet sich hervorragend, um Messungen aus mehrdimensionalen FLIM-Datensätzen zu extrahieren und zu interpretieren, wobei es gegenüber herkömmlichen Methoden erhebliche Geschwindigkeitsvorteile bietet. In dieser thematischen Übersicht behandeln wir zunächst die Grundlagen von FLIM und ML. Anschließend geben wir einen Überblick über Lebensdauerextraktionsstrategien unter Verwendung von ML sowie deren Anwendungen zur Klassifizierung und Segmentierung von FLIM-Bildern mit höherer Genauigkeit im Vergleich zu herkömmlichen Methoden. Schließlich diskutieren wir zwei potentielle Ansätze zur Verbesserung von FLIM durch ML, einschließlich konzeptioneller Nachweise.