Les données non étiquetées sont souvent abondantes en clinique, ce qui rend les méthodes d'apprentissage automatique basées sur l'apprentissage semi-supervisé particulièrement adaptées à ce contexte. Malgré cela, elles reçoivent actuellement une attention relativement limitée dans la littérature d'analyse d'images médicales. Au lieu de cela, la plupart des praticiens et chercheurs se concentrent sur les approches d'apprentissage supervisé ou par transfert. Les algorithmes MixMatch et FixMatch, récemment proposés, ont montré des résultats prometteurs dans l'extraction de représentations utiles tout en nécessitant très peu d'étiquettes. Inspirés par ces succès récents, nous appliquons MixMatch et FixMatch dans un contexte diagnostique ophtalmologique et examinons leur performance comparée à celle de l'apprentissage par transfert standard. Nous constatons que les deux algorithmes surpassent la méthode de référence basée sur l'apprentissage par transfert pour toutes les fractions de données étiquetées. De plus, nos expériences montrent que la moyenne mobile exponentielle (EMA) des paramètres du modèle, qui est un composant des deux algorithmes, n'est pas nécessaire pour notre problème de classification, car sa désactivation ne modifie pas le résultat. Notre code est disponible en ligne : https://github.com/Valentyn1997/oct-diagn-semi-supervised