La microscopie à imagerie de temps de vie par fluorescence (FLIM) est une technique puissante en recherche biomédicale qui utilise le taux de décroissance du fluorochrome pour fournir un contraste supplémentaire en microscopie fluorescente. Cependant, actuellement, le calcul, l'analyse et l'interprétation de la FLIM sont des processus complexes, lents et coûteux en termes de calcul. Les techniques d'apprentissage automatique (ML) sont bien adaptées pour extraire et interpréter les mesures à partir de jeux de données multidimensionnels de FLIM, avec une amélioration considérable de la vitesse par rapport aux méthodes conventionnelles. Dans cette revue thématique, nous abordons d'abord les principes fondamentaux de la FLIM et de l'apprentissage automatique (ML). Ensuite, nous présentons un résumé des stratégies d'extraction du temps de vie utilisant l'IA et ses applications dans la classification et le segmentage des images FLIM avec une précision supérieure à celle des méthodes traditionnelles. Enfin, nous discutons de deux directions potentielles pour améliorer la FLIM grâce à l'apprentissage automatique (ML), illustrées par des démonstrations conceptuelles.